在本文中,我们关注混合厄朗模型(Mixed Erlang Model,MER模型)的贝叶斯变分方法应用。混合厄朗模型(MER)的多变量混合形式构成了一种通用且易于分析的分布,除此之外,该分布在在弱收敛意义上的正连续多元分布的空间中是稠密的。这些良好的性质使得混合厄朗分布适用于多变量密度估计。因此,我们为混合厄朗模型提出了一种灵活有效的拟合算法,称为CMM-VBEM算法。该算法分为两个部分,第一部分是初始值的选取CMM算法。利用K-Means聚类的方法对参数的初始值进行估计,事实证明该方法大大的提高了初始值选取的有效性;此外,应用贝叶斯信息准则(BIC)选择模型的混合个数;第二部分是VBEM算法,该过程以贝叶斯变分法为基础,同时迭代地使用EM算法,为形状参数、混合权重等参数引入计算有效的估计调整策略。与传统的EM算法等混合模型常用的方法相比,我们的方法有几个优点:首先,防止过度拟合的问题,特别是当数据量较少的时候,我们的方法优越性就更明显;此外,CMM-VBEM算法成功的避免了局部最优问题。本文,通过模拟数据和实际的数据两个方面,对提出的CMM-VBEM算法进行验证。通过图形验证(包括经验直方图、QQ图、PP图、等高线图)以及多种检验方法(包括Kolmogorov-Smimov 检验,Anderson-Darling 检验和 Cramer-von Mises 检验),从多方面进行验证,充分说明我们的算法在数据拟合效果良好。