压缩语音量化索引调制（QIM）信息隐藏方法中，最近邻投影点QIM（NPP-QIM）方法具有较高的嵌入效率和隐蔽性。针对现有的隐写分析方法对NPP-QIM方法检测准确率不高的问题，提出了一种基于贝叶斯推理的检测方法以提高检测准确率。首先，利用矢量量化（VQ）码字（VQ ₁、VQ ₂、VQ ₃）构建了码字时空转移网络（CSTN）；接着，以码字转移指数对CSTN进行化简得到隐写敏感码字时空转移网络（SS-CSTN）；然后，基于SS-CSTN进一步构建了码字贝叶斯网络（CBN）；最后，使用Dirichlet分布作为先验分布学习网络参数，实现对QIM信息隐藏的检测。实验结果表明，在嵌入率为100%、时长为10 s时，与索引分布特征（IDC）方法和梅尔频率倒频系数（DMFCC）方法相比，提出CBN方法的检测准确率分别提高了25个百分点和 37个百分点；在时间性能方法，检测一段10 s的语音时间约为21 ms，能够实时检测。

基于贝叶斯网络基础理论,并针对与文本无关说话人识别任务,构造了一种用于说话人识别的贝叶斯网络结构,给出了该网络模型的构造和参数估计方法,提出了进行说话人识别时进行推理和分类预测的算法。通过与传统的混合高斯模型(GMM)的实验类比,该贝叶斯网络模型能够在同样的训练和测试数据情况下识别率平均相对提高30%。