高斯混合模型（Gaussian Mixture Model,GMM）是数据分类问题中广泛使用的一类概率密度模型。在应用中,首先需要考虑GMM模型中主元的个数,这通常是非常困难的,特别是面对高维数据,往往无所适从。当选定主元个数后,可使用迭代算法进行模型参数的估计,但迭代之前要进行模型参数的初始化。现有研究显示出迭代对参数初始化敏感,不当的初始化参数易使得迭代算法易陷入局部最优,甚至使得迭代发散。针对存在的问题,本文提出一类基于高斯卷积和小概率事件原理的高斯混合模型估计算法,主要工作如下:（1）考虑全协方差背景下多元正态分布密度函数的高斯卷积。首先获得正态分布密度函数的傅里叶变换和高斯卷积的一些结果,进而推广基于高斯卷积的对角协方差GMM模型到全协方差GMM模型（Gaussian Convolution-Gaussian Mixture Model,GC-GMM）。将高斯卷积核函数的协方差矩阵视为尺度因子,GC-GMM模型本质上是一个具有多尺度结构的GMM模型,它为探索数据分布结构和设计GMM估计算法提供了一个全新的思路。（2）GMM估计的GC-SPEP算法。本文提出的GC-SPEP算法由3个子算法构成:基于Gaussian卷积数据变换（Gaussian Convolution Based Data Transform,GCDT）的核函数选取算法,基于条件概率排除法（Conditional Probability Exclusion,CPE）的GMM初始估计算法和基于小概率事件原理（Small Probability Event Principle,SPEP）的GMM优化算法。GC-SPEP针对GMM应用中存在的问题,在优化过程中自动调整主元个数和估计参数,是一类数据驱动的智能算法。（3）GC-SPEP算法的仿真分析。通过4个典型的仿真模型,我们发现以下事实:首先,GC-SPEP算法的计算效率优势明显,在仿真模型的主元数、样本容量或数据维数增加时,算法所需要的迭代次数均低于5次,而经典的EM算法和其它一些算法所需最大迭代次数远高于5次;其次,通过算例显示出本文所提出的GCSPEP算法的分类效果要优于Yang和Figueiredo提出的算法;第三,GC-SPEP算法的实际估计误差较低,从整体上来看估计精度要好于EM算法。仿真分析充分说明了算法的有效性。