有限混合模型是分析复杂现象的一个灵活而强有力的建模工具，它提供了用简单结构模拟复杂密度的一个有效方法，给出了模拟同质性和异质性的一个自然框架和半参数结构。 EM算法为有限混合模型的极大似然估计提供了一个标准框架。本文简单推导了有限混合高斯分布的EM算法，并针对其收敛速度慢的缺点设计了一种有效选取参数初始值的方法，数值实验表明，该方法有助于EM算法以较快的速度在参数真值附近收敛。 EM算法思想简单，易于实现。但是，EM算法往往获得的只是一个局部最优解，这是因为它本质上是一个迭代算法，只能保证达到局部最优，而遗传算法具有强大的全局搜索能力，因此，本文将采用遗传算法来改进EM算法，提出一种以遗传算法为主、结合EM迭代算法的混合算法(即GA_EM算法)。在前面的研究中，我们总是提前定义一个混合模型的分支数，但在大多实际应用中，最优分支数是未知的，所以为混合模型选择一个最优分支数是一个相当重要又困难的问题。本文将使用GA_EM算法来学习未知支数的多元高斯混合模型，算法中使用MDL准则作为选择最优分支数的信息准则。采用EM算法和遗传算法混合编程的目的是为了更好地利用两种算法各自的优点，基于随机搜索优化技术遗传算法的种群极大地拓展了EM算法的搜索空间，有效地降低了基本EM算法对初始值的依赖程度，改善了其收敛到局部最大值的缺陷。数值实验也表明，GA_EM算法不仅继承了EM算法的单调收敛性，对模型参数初始值也更加稳健：1)在同样的迭代终止条件下，GA_EM算法能够得到比EM算法更好的MDL值。2)GA_EM算法克服了EM算法选择最优分支数的正确率会随着分支数的增加而迅速降低的缺陷。