本文从贝叶斯非参数的角度重新审视k-means聚类算法，分析了Dirichlet过程混合物的Gibbs抽样，发现其在极限情况下接近硬聚类。研究了高维数据的聚类方法，比较了EM算法与其他方法的优劣，并提出了基于Bregman距离的聚类算法，展示了其在非高斯数据上的优势。

本文探讨了贝叶斯非参数主题建模在视频数据异常检测中的应用，展示了其在动态环境下的有效性。研究表明，综合检测方法优于简单检测，适用于搜索救援和野生动物观察等领域。此外，提出了新特征选择方法和鲁棒异常检测模型，提升了高光谱影像的异常检测性能。

该文综述了基于Gamma-Poisson、负二项等贝叶斯非参数方法处理计数数据与动态系统，涵盖PRGDS、非平稳PGDS、无限泊松因子分析及动态关系数据学习等模型，通过MCMC推断捕捉稀疏性、爆发性和时变结构，在文本、音乐分析及计数矩阵分解中表现优于相关方法。

本文综述了泊松过程与高斯过程结合的贝叶斯非参数方法，包括BaNPPA、变分神经时间点过程、Hawkes过程核估计及数值高斯过程，用于时间序列建模与推断，在合成和真实数据集上表现高效准确。

该文综述无授权传输在物联网中的应用，重点研究利用压缩感知、近似消息传递和贝叶斯非参数方法进行设备活动检测与信道估计，并借助大规模MIMO、群组稀疏估计及扩散模型等技术提升检测性能与可扩展性。