目前,对于海量数据信息处理的方法多种多样,其中概率混合模型是一种常用的数据建模与分析的方法。高斯混合模型(Gaussian Mixture Model,GMM)由于具有计算方便等诸多优点得到广泛应用。但是对于有界或半有界数据的统计建模,如文本、图像等数据,GMM不能达到很好的拟合效果,对此,非高斯概率统计模型展现出更优越的性能。本文致力于研究非高斯统计模型的变分学习算法,所提出的扩展变分学习框架可以在图像处理,入侵检测等应用中解决模型问题。首先,本文简要阐述了概率混合模型的研究背景及意义,并介绍了非高斯统计模型建模现状。给出概率混合模型定义,列举几种常用的概率密度函数形式。介绍两种解决概率混合模型参数估计问题的常用算法,极大似然方法和变分贝叶斯,并进行简要介绍及推导。接着,本文对贝塔混合模型(Beta Mixture Model,BMM)的变分推理算法进行了研究。BMM是常用于对有界数据进行建模分析的非高斯统计模型,但是在解决模型参数及模型选择问题时,由于其中的Gamma函数及其导数积分表达式过于复杂,使得参数估计困难。本文提出一种高效变分学习算法,能够解决大多数统计模型中所存在的上述问题。该算法选择形式简单的分布代替复杂分布,提出BMM下界定理,应用扩展变分推理算法将单下界引入变分目标函数中,最大化模型证据下界求解出参数估计值。此外,在迭代过程中只优化唯一的目标函数,在理论上保证了算法的收敛性。本文给出详细的算法推导过程,并通过在人工数据集验证了算法的可行性,以及给出对比实验进一步验证本文算法的高效性。最后,本文选择三组学术上公认的目标图像集,Caltech4、ETH-80以及MIT Scene进行算法的应用研究,使用RHOG特征描述子得到图像的特征矢量集。利用本文所提出的贝塔混合模型的高效变分学习算法进行目标分类,通过实验结果图可知该算法可以很好的应用于目标分类应用中。