由于数据产生的多源性,致使当前数据分析中的很多数据都是混合模型数据,利用混合模型对其进行分析,通常比聚类分析中的传统方法产生结果更加精确,其中一个关键因素是混合模型中子总体的个数,它决定了数据分析的最终结果。期望最大化(EM)算法常用在混合模型的参数估计中,是一种从不完全数据或者有缺失值数据中求解参数极大似然估计的迭代算法。在此基础上,学者们往往采用AIC和BIC的方法来确定子总体的个数,而这两种方法在实际应用中的效果并不稳定,甚至可能会产生错误的结果。针对此问题,本文对混合模型中子总体个数确定的问题进行研究,主要工作如下:(1)针对传统子总体个数的判断准则AIC和BIC具有不稳定性的缺点,基于简单的一维混合模型提出了一种改进方法,新方法利用极大似然的思想,借助于EM算法,通过构建子总体个数和其对应的对数似然函数值的碎石图来确定混合模型中的子总体个数。实验表明新方法增强了在判定子总体个数上的准确性,减少误判率,而且过程也更加直观。(2)通常实际生活中有很多拥有复杂关系(回归、分类等)的高维混合数据,不同子总体的统计模型或参数可能不同,其残差也有可能来自不同的分布类型,基于多维混合回归模型,提出了利用对数似然函数的碎石图来确定混合回归模型中子总体个数的新方法。实验证实在条件不理想的状态下,本文新方法可以得到更准确的结果。(3)由于现有文献中关于混合模型的实际应用较少,本文将新方法在健康保险数据的参数估计中进行了实际应用。将投保人细分为两种类型,并对不同人群制定了科学的保险定价策略。