稀疏貝葉斯學習方法與支持向量機學習方法均是圍繞核函數構建預測模型的方法，而相比較于支持向量機方法，稀疏貝葉斯學習方法的最重要的特點在于其學習過程是基于貝葉斯架構的，而不是采用結構風險最小化原則，這就使稀疏貝葉斯學習方法擁有如下獨特優勢：（1）能夠提供概率分布預測結果；（2）無需對支持向量機中平衡經驗風險和泛化能力的懲罰因子進行設定；（3）模型稀疏程度與支持向量機相當或更好。