有限混合模型由于其对数据的强大拟合能力,成为统计机器学习中重要的数据建模工具,在模式识别、计算机视觉以及数据挖掘等领域都有着众多的应用前景,近些年来得到了研究者们的广泛关注。然而,传统的有限混合模型主要是用高斯分布构建的,对于现实生活中产生的一些特殊数据,例如文本,图像等有界数据,以及一些其他领域的非对称数据等不能很好地进行描述。因此急需使用一些由非高斯分布构建的有限混合模型解决上述问题。在这些非高斯混合模型中,逆贝塔刘维尔混合模型由于其对有界数据中正矢量数据的良好建模能力,得到了大量的研究。然而传统的混合模型训练方法,例如期望最大算法以及马尔科夫链蒙特卡洛方法等有着很大的不足,无法实际应用于该模型的训练,进而解决现实问题。本论文针对上述问题,提出了一个完整的逆贝塔刘维尔混合模型的变分推理框架。该框架可以同时解决模型训练中的参数估计以及模型选择问题,使该模型能够高效的应用于现实场景中。针对大数据时代数据快速增长的现状,本文在逆贝塔刘维尔混合模型变分推理框架的基础上进一步改进,提出了该模型的随机变分推理框架,该框架可以解决大数据下传统变分推理框架所暴露出的问题,表现出了更加优秀的性能。为了验证上述两个框架的有效性以及实际应用价值,本论文采用人体动作识别以及商品检测两个真实场景下的应用对该模型及其相关推理框架进行实验测试,并与现在主流的全连接神经网络做对比。实验结果表明,所提出的两个框架具有良好的性能以及较大的实际应用价值。