EM算法由于在参数估计等领域的广泛应用,近年来发展十分迅速。但EM算法也存在一些自身缺陷,诸如迭代公式推导复杂,收敛速度对迭代初值选取依赖较大,以及如何将其改进用于混合分支数未知情况下的混合模型参数估计问题,本文正是基于对上述问题的解决加以展开的。首先,在本文第一章大致介绍了EM算法的产生背景及其原理、性质。其次,在第二章中,通过具体的算法实施过程,向读者展示了EM算法在混合模型参数估计中原理简单、思路清晰的优越性,同时也让读者感受到推导过程的复杂性,基于此,本文采取将复杂问题拆解为简单问题累加的处理思路,给出了改进的EM算法在混合正态参数估计中迭代公式的推导过程,且迭代公式与传统EM算法一致,但推导过程相对简便。同时,给出了一种基于K-means聚类算法的迭代初值选取方法。在第三章中,由于用EM算法在混合模型参数估计中涉及到运用后验概率密度实现数据分组,加大了计算的复杂度,影响了算法的效率。本文参照常规K-means动态聚类法,在每次迭代过程将参数修正和数据聚类交替完成,并引进示性函数,将复杂的带小数的数据转化成0-1离散型数据,降低了运算的复杂度。如何确定聚类个数一直是聚类分析中一个难点,本文在传统EM算法的基础上引进了竞争惩罚权重因子,使多余的分支密度函数淘汰,而将真正的分支加以保留,从而确定模型的分支个数,再用传统EM算法求解模型参数,从而解决了分支个数未知情况下混合模型的参数估计问题。在本文结束部分给出的数据聚类和参数估计的数值模拟结果反映了上述改进算法的可行性。