非参数化贝叶斯方法（nonparametric Bayesian methods），理学-计算机科学技术-人工智能-机器学习-贝叶斯学习，对一类能从无限参量空间选取有限参量，针对观测到的有限数据自动调整统计模型复杂度的贝叶斯方法的统称。促进这个研究领域发展的代表性人物有Thomas S.Ferguson、Jim Pitman、Nils Lid Hjort、Stephen G.Walker、Peter Müller、David D.Dunson、Michael I.Jordan、Zoubin Ghahramani、Yee Whye Teh等。非参数化贝叶斯方法提供了一种全新的数据自适应的统计模型构造方法，巧妙的避开了相应的参数化统计模型的烦琐和耗时的模型选取问题，在概率密度估计、聚类、潜在特征模型、非线性回归等都有广泛应用。常用的非参数化贝叶斯先验分布包括狄拉克雷过程（Dirichlet Process）、贝塔过程（Beta Process）、伽马过程（Gamma Process）、高斯过程（Gaussian Process）等。