本文提出了基于层次贝叶斯模型的子空间分类方法,与现有的子空间分类方法相比,它完全建立在贝叶斯统计模型的基础上,比目前大多数子空间分类算法具有更为严格的统计学基础。本文的方法赋予每类的每一个特征维以一定的概率来决定是由独有模型参数产生还是共享模型参数产生,即每一维相对于共有维的“均值偏移”,因此所谓的子空间在我们的方法中实际是指由不同权重特征构成的空间。本模型基于层次贝叶斯结构,因而可以从认知层面发展以及评价模型。本模型允许多个参数之间的复杂关系在不同层次上得到分离,从而把一个复杂的估计问题分解为依赖于每个参数或每个参数子集的条件分布的简单估计问题。它能充分描述模型,允许参数推理,有着较好的推广性和普适性。本文完成了基于层次贝叶斯的子空间分类模型的建立、推理、利用MCMC算法完成参数估计以及利用“均值偏移”的思想完成高维数据的降维,然后通过多组UCI标准数据集验证模型的分类性能;利用本模型分析基于array-CGH技术得到的基因组数据的空间相关性,分辨同一类肿瘤是否具有相同的染色体区域的病变基因。利用本模型处理array-CGH数据具有三大优点:1)模型属于生成式模型,比较符合认知过程;2)在处理此类数据时具有较好的分类精确度;3)获得表达肿瘤病状特征的重要染色体区域基因。最后总结了模型的创新点和所适用的应用领域,以及如何利用变分法和Dirchilet混合模型改进子空间分类模型。