作为众多分类、聚类分析方法的一种,基于模型的聚类己越来越广泛的应用于各领域。如果某种特定的分布能够较好的刻画某一数据集,那么,基于模型的聚类方法比其他聚类方法要好。混合高斯模型由于计算上的便利使用的最多,但它极易受到噪声点的影响。混合t-分布模型具有厚尾特性,比混合高斯模型具有更好的稳健性,因此在图像处理、生物学、医学领域颇为常用。因此,研究混合t-分布模型及其参数求解方法来进行聚类和分类,是一项很有意义的工作。首先,我们分别研究两总体、三总体一元混合t-分布模型,利用EM算法分别求解模型参数的极大似然估计,该过程克服了多元混合t-分布模型中协方差矩阵向一元混合t-分布模型中尺度参数的转变过程中参数推导的困难;在迭代求解过程中,如何初始化参数是一个关键的问题,本文将k-means算法应用于一元混合t-分布模型参数初始值的选取,收敛速度快,大大提高了计算效率。对于混合高斯和混合t-分布模型,在混合高斯数据、混合t-分布数据以及含噪声的混合高斯数据下,将两种模型的拟合数据能力进行了对比分析。实验表明,三类数据下混合t-分布模型的拟合效果都比较可观。对于混合高斯数据,本文研究的模型并不比混合高斯模型拟合效果差;对于混合t-分布数据,该模型优于混合高斯模型;对含噪声的混合高斯数据,该模型拟合的效果几乎均比混合高斯模型好。这体现了混合t-分布模型在处理重尾数据中的优势。