随着信息技术的快速发展,越来越多的应用需要查询和分析大量的数据。然而,来源于多个数据源的数据不可避免的会夹杂着噪声。因此,从多个噪声数据中识别出正确可用的信息,成为一个新的挑战,研究真值分析方法成为各个网络应用的关键。然而,现有的真值分析方法存在次优和模型依赖等问题。针对现有真值分析方法不足的问题,变分推理提供了一种行之有效的方法。它通过将真值分析任务建模成一个概率图模型,能最大限度的利用现有噪声数据进行真值分析。因此,本文在已有研究的基础上,应用消息传递、变分分析、回火等方法,研究了众包网络、无线传感网络和推荐网络中的变分推理,即如何从网络中多个数据源中推断出数据真值。本文工作的主要贡献如下:（1）针对现有众包推断收敛性差,精度不够高的问题,提出了一种新的基于变分推理的众包真值分析方法NMP。该算法在获取任务真值的同时可以获得工作人员的可靠性和任务难度。然后,本文从理论和实验两方面分析了 NMP的性能和收敛性。最后,本文用仿真和真实的数据环境实验,通过与其他算法的比较,验证了提出算法的优越性能。（2）针对现有众包推断收敛速低,泛化性低的问题,提出了基于退火的众包任务真值分析方法VTI。该方法引入回火技巧,进一步提升了局部最优值。本文用仿真和真实的数据环境实验验证了提出的变分退火推理算法比现有的改进算法具有更好的准确度和较快的收敛速度。（3）针对现有信道估计算法复杂度高、收敛性差、泛化性低的问题,提出了一种新的无线智能网络信号真值分析方法CEVTI,即基于退火的变分信道估计方法。该算法将信道估计问题转化为概率图模型推断算法,能够以较低的复杂度估计信道系数和发射信号,同时保证收敛性。本文仿真实验结果表明,CEVTI算法比现有算法具有更高的精度和较快的收敛速度。（4）针对现有推荐算法计算复杂度高、难以泛化等问题,提出了基于Stein变分推断的真值分析推荐系统SVRS。本文分析了SVRS算法的复杂度低、易于扩展和推广的优点。本文仿真实验表明,SVRS在平均误差（mean average error,MAE）和均方根误差（root mean square error,RMSE）方面具有较高的精度。