本文研究了基于变分贝叶斯的自适应推理。虽然已经进行了几项研究来分析变分后验函数的收缩特性，但仍然缺乏一种通用且易于计算的变分贝叶斯方法来执行自适应推理。为了填补这一空白，我们提出了一部小说自适应变分贝叶斯框架，可以对模型集合进行操作。该框架首先对每个单独的模型分别计算一个变分后验，然后将其与一定的权重组合，以生成整个模型的变分后证。结果表明，在预先定义的近似分布族中，这个组合变分后验函数是整个模型中最接近后验函数的成员。我们证明了在非常一般的条件下，自适应变分贝叶斯自适应地获得最优收缩率。我们还提供了一种方法来保持自适应变分贝叶斯的可处理性和自适应最优性，即使在存在大量单个模型（如稀疏模型）的情况下也是如此。我们将一般结果应用于几个示例，包括深度学习和稀疏因子模型，并导出新的自适应推理结果。此外，我们刻画了变分贝叶斯的隐式正则化效应，并表明自适应变分后验函数可以利用它。