高斯混合模型(Gaussian Mixture Models, GMM)是一种重要的机器学习方法,其目的是建立目标数据集的概率模型。此外,GMM优化策略是提高模型精度的关键；其过程包括准确估计高斯分量个数及对应参数。鉴于GMM标准的参数估计策略——期望最大化(Expectation-Maximization, EM)算法,往往要求较准确的初值且易于陷入局部极值,本文基于赤池信息准则(/Akaike’s Information Criterion, AIC)和进化算法来优化GMM。其中,进化算法是基于群体智能(Swarm Intelligence)的理论,首先将所要估计的参数作为进化算法群体中的个体来表征问题,再通过群体中个体之间的合作和竞争产生新个体,进化新一代种群,从而优化参数。进化算法对初始解的要求不高,已经成为一种得到广泛应用的全局优化算法。在优化过程中,由于GMM中含有的协方差矩阵必须是正定对称的,使用进化算法来优化GMM参数往往遇到困难。本文应用一种针对任意协方差矩阵的新的参数化方法,这种方法能够保证进化后矩阵保持正定对称性。基于仿真数据和实测数据的计算分析结果表明,基于AIC准则和进化算法优化的GMM在智能数据建模与分析问题中有着良好的效果。最后,针对说话人识别问题,比较分析了具有不同优化方法的GMM的分类性能。