跟随“大数据”与“人工智能”的热潮,高斯混合模型由于能够很好地刻画数据的空间分布及其特性,受到了统计学界和计算机界的重视.它可以使用在监督、无监督、半监督学习中,并在很多领域都得到了广泛应用.EM算法是高斯混合模型参数估计的经典迭代算法,具有简单实用、性质优良等特点,但其本身也存在着一些缺点,比如:对参数初始值敏感、不能确保收敛到全局最优、需要提前给定隐变量的所有可能取值等.因此,本文基于高斯混合模型,针对无监督学习和半监督学习任务,从两个方面分别对EM算法做了改进并得到了以下成果.首先,针对无监督学习任务,本文从三个方面对FCM算法进行了改进——基于密度确定算法初始聚类中心、增加惩罚项以加快算法收敛速度、使用Xie-Beni指数确定最佳聚类数,提出了 IFCM算法.然后,基于无监督高斯混合模型,使用IFCM算法为EM算法提供迭代过程中的参数初始值和隐变量的所有可能取值,进而得到了 IFCM-EM算法,并分析了该算法的优势.最后,从模拟和实证两方面验证了相比于其他EM改进算法,IFCM-EM算法估计参数的效果和性能均更好,迭代次数少,得到的参数估计值对应的无监督高斯混合模型的聚类效果也最好.其次,针对半监督学习任务,基于高斯混合模型,本文将最大熵原理应用到EM算法中,解决了隐变量的后验概率估计过度依赖于待估参数的问题,进而提出了 ME-EM算法,并证明了该算法的本质是确定性退火算法,即在一定条件下,其可以收敛到全局最优.当标记样本不能大致反映出数据的真实分布时,相比于EM算法,ME-EM算法提高了收敛到全局最优的概率,提升了估计参数的效果及稳健性.最后,从模拟和实证两方面验证了该算法优于EM算法,其得到的参数估计值对应的半监督高斯混合模型的聚类效果也得到了提升.