Bag-of-words詞袋模型最初被用在資訊檢索領域，對於一篇文件來說，假定不考慮文件內的詞的順序關係和語法，只考慮該文件是否出現過這個單詞。假設有5類主題，我們的任務是來了一篇文件，判斷它屬於哪個主題。在訓練集中，我們有若干篇文件，它們的主題型別是已知的。我們從中選出一些文件，每篇文件內有一些詞，我們利用這些詞來構建詞袋。我們的詞袋可以是這種形式：{‘watch’,'sports','phone','like','roman',……}，然後每篇文件都可以轉化為以各個單詞作為橫座標，以單詞出現的次數為縱座標的直方圖，如下圖所示，之後再進行歸一化，將每個詞出現的頻數作為文件的特徵。

近幾年，在影象領域，使用Bag-of-words方法也是取得了較好的結果。如果說文件對應一幅影象的話，那麼文件內的詞就是一個影象塊的特徵向量。一篇文件有若干個詞構成，同樣的，一幅影象由若干個影象塊構成，而特徵向量是影象塊的一種表達方式。我們求得N幅影象中的若干個影象塊的特徵向量，然後用k-means演算法把它們聚成k類，這樣我們的詞袋裡就有k個詞，然後來了一幅影象，看它包含哪些詞，包含單詞A，就把單詞A的頻數加1。最後歸一化，得到這幅影象的BoW表示，假如k=4,每幅影象有8個小塊(patch)，那麼結果可能是這樣的：[2,0,4,2]，歸一化之後為[0.25,0,0.5,0.25]。

同樣，在語音識別領域，也有Bag-of-words方法也大施了拳腳。假設一段語音訊號有2秒長，我們取每幀長40ms,幀移10ms,就可以得到一小段一小段的語音訊號，然後提取每一小段上的音訊特徵，假設這裡使用12維MFCC，那麼有多少個小段語音訊號，就有多少個MFCC特徵向量。我們的目標是來一段語音訊號，判斷它的情感類別。我們的做法是：取一定數量的MFCC特徵向量，將它們聚成k個類，那麼這裡的詞袋裡的詞就是這k個類別。對於一段語音訊號，我們對其進行分段之後，將各小段分配到這k個類別上，那麼，每個類別上就對應了這一段語音訊號裡屬於該類的段的個數。最後歸一化，得到其特徵表示。