混合分布模型一直被广泛的应用到实际的数据分析和数据挖掘中，特别是在聚类算法中，若实际的数据能够用某种分布刻画，那么用混合分布模型聚类要比其余的基于距离的聚类方法的效果要好。然而目前实际应用中的混合分布模型都是指同种分布的混合，关于不同种分布的混合模型的研究还是比较少的。本文基于信号本身及其杂波数据的特性将不同种类分布混合模型应用到信号分选中，以提高信号分选算法的准确率。　　随着电磁环境越来越复杂，单一的分布模型拟合接收机接收到的杂波的效果越来越不理想，本文提出用混合正态和瑞利分布模型拟合杂波，混合分布比单一分布更能准确的拟合杂波数据。对于模型的参数估计，本文分别应用矩估计和基于EM算法的极大似然估计方法估计模型中的参数，并给出矩方程和基于EM算法极大似然估计的迭代表达式。　　对于变化规律复杂的信号，本文应用混合正态和均匀分布模型进行信号分选。对于混合正态和均匀分布模型的参数估计问题，由于均匀分布的概率密度函数的特殊性，基于EM算法的估计方法严重依赖于迭代的初始值，并且需要遍历整个数据集运算量大。为了解决这个问题，本文提出了一种基于经验累积分布函数的方法估计均匀分布参数，并给出参数估计的具体算法流程，然后通过基于EM算法的极大似然函数估计方法估计正态分布参数和混合比例，在达到分选效果的基础上该方法具有计算量小，效率高等优点。　　基于本文提出的两种模型的参数估计方法，我们分别根据混合比例、交叠程度和样本量三个影响因素模拟产生三类共6组模拟数据，应用本文提出的参数估计方法估计模拟数据的参数验证估计方法的准确性。模拟结果表明对于混合正态和瑞利分布模型，基于EM算法的极大似然估计方法要优于矩估计方法;对于混合正态和均匀分布模型，在无交叠情形下，所提出的方法能够准确的估计模型的参数，在有交叠情形下，参数估计有所偏差。最后，我们将这两种方法应用到实际接收到的信号数据中，拟合和分选效果比较理想。