在高维数据分析过程中,变量选择是一道关键的步骤:若剔除掉关键的变量将会导致得不到理想的分析结果;若保留了过多的无关变量则不仅会拖慢回归效率,也会增大模型的回归误差。SSVS（Spike-and-Slab variable selection）理论的发展使得解决高维的问题中使用贝叶斯的方法也能得到既准确又高效的结果。相对于常用的变量选择方法,贝叶斯变量选择对剔除变量施加较大惩罚的同时对选入变量也施加了较小惩罚。但是,贝叶斯变量选择的研究似乎更多地体现在线性回归以及二分类逻辑回归上,多分类相对于二分类更为复杂,还需要深入进行讨论。本文将SSLasso GLMs（Spike-and-Slab Lasso GLMs）理论应用在MNL模型和MOL模型中,构建出基于Spike-and-Slab先验分布的贝叶斯变量选择框架,通过EM算法和坐标下降法实现了SSLasso-MNL模型和SSLasso-MOL模型的参数估计,将贝叶斯变量选择推广到了高维无序和高维有序的多分类模型中。并通过仿真数据和实证数据对模型进行检验。通过仿真数据回归结果得知,SSLasso-MNL模型的变量选择结果要优于Lasso。将该模型对癌症患者的基因数据进行分析,十折交叉预测的准确率为92.8%;再对职业选择的主要影响因素进行分析,十折交叉预测的准确率为75.0%。再借助仿真数据考察SSLasso-MOL模型,该模型的变量选择结果同样也优于Lasso。并且能够在分析时筛除解释变量中不符合比例优势假设的部分。将该模型运用到老年痴呆疾病严重程度主要影响基因研究,留一法预测准确率为54.8%;再进行CFPS问卷的生活满意度分析,十折交叉预测的准确率为61.0%。SSLasso-MNL模型能够得到很高的预测准确率,并且模型设定简单,易于执行;SSLasso-MOL模型回归过程虽然繁琐,但是若能得到较好的结果,其系数也会具有较强的解释力度,在实证分析时更为有意义。本文最后综合了两个模型的优缺点并进行分析,为后续的研究提出了合理的建议。