分类问题是机器学习的一个重要研究领域。变分贝叶斯推理算法作为一种优化近似方法,因其具有较好的模型可扩展性和数据适应性,近年来在统计及控制科学等领域取得了广泛的应用。本文将宽度学习理论与贝叶斯神经网络相融合,提出了特征映射层逐渐拓宽而且先验分布自适应更新的贝叶斯神经网络,将该模型应用于数据的分类问题研究。本文主要工作如下:首先,基于随机泛函链接网络,提出了一种特征映射层逐渐拓宽的贝叶斯神经网络分类模型。通过网络宽度的渐进式加宽增加特征表达,同时结合高斯先验分布假设引入局部恒定先验,以提高网络结构拓宽时的训练效率。仿真实验表明,本文提出宽度贝叶斯神经网络分类器能够得到良好的分类效果,有效地对抗异常值样本增强模型鲁棒性。此外,拓宽的网络结构和先验更新方式,可以实现模型分类精度的“阶梯式”增加,提高了训练效率。其次,本文在宽度贝叶斯神经网络模型的基础上扩展其网络结构。对模型结构进行扩展:采用稀疏映射方式,实现每个映射单元仅对部分特征进行非线性变换,并为网络增加了强化层,以提高模型对高维特征的抽象能力。数值仿真表明,扩展后的宽度贝叶斯网络模型在图像数据集的分类识别中,不仅可以获得较好的分类效果,而且提高了网络的学习速度。最后,本文将宽度贝叶斯网络模型用于不均衡数据的分类。针对透析患者生存质量判别问题中数据的类别分布不均衡情况,设计基于生成对抗网络的样本生成方法,建立基于宽度贝叶斯神经网络的血液透析患者生存质量分类模型,实证结果表明该模型能够有效的将血液透析患者的生存质量分为优质组和劣质组,为医护人员制订分组诊疗方案提供了参考依据。