贝叶斯理论最初起源于模式识别领域的研究，贝叶斯定理是其中最重要的一个公式，是贝叶斯学习方法的理论基础，它将事件的先验概率和后验概率巧妙地联系起来，利用先验信息和样本数据信息确定事件的后验概率。作为一种基于概率的统计学习和决策理论框架内的基础方法，贝叶斯理论在决策分类领域已得到了广泛的应用，目前已成为人工智能领域研究的热点课题之一。 本文主要讨论了基于贝叶斯方法的分类器，并从两个不同的角度对其进行改进，即朴素贝叶斯分类器基础上的改进分类算法研究和基于AdaGabor的贝叶斯人脸识别，同时，也针对基于纹理的图像检索方法进行了研究，并应用于电脑刺绣的花样检索系统中。主要研究成果为下： 1．针对朴素贝叶斯的独立性假设不成立时，会导致分类器性能下降的问题，本文提出了一种放宽这种独立性假设的算法L2DLNB。该算法使用给予条件互信息的懒惰学习方法，在求不同类标的似然度时，使用不同的属性依赖关系，从而能够更加准确的计算出各个类标似然度。实验结果表明此算法在UCI机器学习资源库上取得了良好的分类精度。 2．本文提出了一种基于AdaGabor特征的贝叶斯人脸识别方法，首先采用AdaBoost算法从大量候选的Gabor特征中选择出适合于描述人脸的特征，从而排除了大量冗余的特征；然后通过贝叶斯方法进行进一步的特征选择，给不同判别能力的特征以不同的权重。实验证明了Gabor特征具有比象素更好的描述性能；AdaBoost方法明显优于其它特征选择方法；基于AdaGabor的贝叶斯方法有机结合了Gabor与贝叶斯方法的优点，大大提高了识别性能。 3．本文将一种基于纹理的图像检索算法运用在智能刺绣系统PDS的花样检索系统中，其效果很好。