朴素贝叶斯(Naive Bayes, NB)算法是机器学习领域中常用的一种基于概率的分类算法，非常简单有效。k近邻法(k-Nearest Neighbor, kNN)[30,31]又称为基于实例(Example-based, Instance-bases)的算法，其基本思想相当直观：Rocchio法来源于信息检索系统，后来最早由Hull在1994年应用于分类[74]，从那以后，Rocchio方法就在文本分类中广泛应用起来。

为了对光线变化的图像进行顺利侵害，提出了一 种利用贝叶斯学习方法来进行视频图像分割的算法，印先在每个像素点处对不断变化的背景建模，同时计算每个像素点 处的颜色直方图，再用这些直方图来表示该像素点处特征向量的概率分布，然后用贝叶斯学习方法来进行判断，以确定在光线缓慢或者突然变化的时候，每个像素点是属于前景还是属于背景。-In order to change the image of light against a smooth, a Bayesian learning approach t

贝叶斯学习理论使用概率去表示所有形式的不确定性，学习和推理都通过概率规则来实现。-Bayesian learning theory using the probability that all forms of uncertainty, learning and reasoning by probability rules . Bayesian learning , the results of the probability distribution of random variables ,

一种HMM可以呈现为最简单的动态贝叶斯网络。隐马尔可夫模型背后的数学是由LEBaum和他的同事开发的。它与早期由RuslanL.Stratonovich提出的最优非线性滤波问题息息相关，他是第一个提出前后过程这个概念的。 在简单的马尔可夫模型（如马尔可夫链），所述状态是直接可见的观察者，因此状态转移概率是唯一的参数。在隐马尔可夫模型中，状态是不直接可见的，但输出依赖于该状态下，是可见的。每个状态通过可能的输出记号有了可能的概率分布。因此，通过一个HMM产生标记序列提供了有关状态的一些序