有限混合模型在聚类和分类中有着重要的作用,是聚类重要方法之一,可以用来处理多个混合分布类型的数据。基于混合模型的应用十分的广泛,但也存在一些问题。比如应用最广的EM算法进行参数估计时会对初始值很敏感,传统的聚类方法如K均值聚类、层次聚类法等无法获得聚类特征重要性。尖顶平板最早被提出来是在线性回归中做特征选择,也可以用于混合模型中。在此情况下,本文选用有限混合模型同时进行特征选择,采用贝叶斯方法获得参数估计和聚类情况,避开了对初始值的依赖。对于后验分布则利用贝叶斯方法通过MCMC（Markov chain Monte Carlo method）抽样获得。对于特征变量,我们引入特征重要性指示变量,并对每个特征设置一个尖顶和平板类型的先验,再通过后验MCMC迭代计算其特征重要性程度。混合厄朗模型被证明在非负连续多元空间上是稠密的,作为混合伽马模型的特例,适用于非负性的正值多维数据,如保险精算、医学实验、工业生产等领域。本文选用具有共同速率的有限混合厄朗模型进行参数估计,首先利用结合矩估计的一种K均值聚类算法CMM（Clustered Method of Moments）确定混合厄朗模型的速率参数、形状参数以及混合成分的初始值,再利用MCMC方法获取混合厄朗模型的贝叶斯后验估计,结合标签置换获得混合模型的参数估计。对于模型算法的可行性和效果,分别通过模拟实验数据和一个瑞士银行的真钞和假钞实例数据进行实证分析,并将参数估计结果进行拟合优度检验。