Bag-of-words詞袋模型最初被用在信息檢索領域，對於一篇文檔來說，假定不考慮文檔內的詞的順序關係和語法，只考慮該文檔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檔，判斷它屬於哪個主題。在訓練集中，我們有若干篇文檔，它們的主題類型是已知的。我們從中選出一些文檔，每篇文檔內有一些詞，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',……}，然後每篇文檔都可以轉化爲以各個單詞作爲橫座標，以單詞出現的次數爲縱座標的直方圖，如下圖所示，之後再進行歸一化，將每個詞出現的頻數作爲文檔的特徵。
近幾年，在圖像領域，使用Bag-of-words方法也是取得了較好的結果。如果說文檔對應一幅圖像的話，那麼文檔內的詞就是一個圖像塊的特徵向量。一篇文檔有若干個詞構成，同樣的，一幅圖像由若干個圖像塊構成，而特徵向量是圖像塊的一種表達方式。我們求得N幅圖像中的若干個圖像塊的特徵向量，然後用k-means算法把它們聚成k類，這樣我們的詞袋裏就有k個詞，然後來了一幅圖像，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，得到這幅圖像的BoW表示，假如k=4,每幅圖像有8個小塊(patch)，那麼結果可能是這樣的：[2,0,4,2]，歸一化之後爲[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。假設一段語音信號有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信號，然後提取每一小段上的音頻特徵，假設這裏使用12維MFCC，那麼有多少個小段語音信號，就有多少個MFCC特徵向量。我們的目標是來一段語音信號，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，那麼這裏的詞袋裏的詞就是這k個類別。對於一段語音信號，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信號裏屬於該類的段的個數。最後歸一化，得到其特徵表示。