基于需要研究内容，本文内容主要分为四个大部分：
第一部分：主要介绍最大似然理论以及EM算法的原理与基本步骤。最后介绍需要理解的一些前期理论。
第二部分：这一部分是本篇文章的主要部分，将最基本的EM算法应用到混合高斯混合模型进行参数估计，并给出相对应的推导，得到混合高斯模型的参数公式。
第三部分：结合第三部分得出的混合高斯模型的参数公式，通过MATLAB仿真软件混合高斯模型的参数估计，与实际参数进行比较，验证算法的准确性。
第四部分，对全文进行总结，总结文章的不足，给出接下来还需要研究的内容。
2  基本理论
2.1  最大似然估计
    最大似然法 是在总体分布类型已知，且数据完整的条件下，广泛使用的一种参数估计方法。它最早是由德国数学家高斯在1821年提出的，随后英国统计学家R.A,Fisher在1912年重新发现了这一方法，并首先研究了这一方法的一些性质，将这一算法真正带入了人们的生产生活中。因此后人更多的认为是R.A,Fisher提出的这一算法，最大似然估计法是数理统计中应用非常广泛的一种点估计方法。极大似然估计的主要思想是：当知道某个参数的估计值能使这个样本出现的概率最大，所以我们理所当然地就把这个参数的估计当做这个参数真实值。
设总体 的分布函数为 ， 为需要估计的参数， 为来自总体 的样本，当 是离散型时，称 的联合分布律 为样本的似然函数。当 是连续型时称 的联合概率密度 为样本的似然函数。
根据最大似然估计法，求到 使似然函数 达到最大，即：
                                     （2.1）
求最大似然估计问题可以转化为微分中求最大值的问题。
当 关于 可微时， 满足：       （2.2）
由于通常情况下对（2.2）式的计算较为复杂，常常转换为求 的最大值：
已知 ，而 是 的严格单调函数，所以 。
    因此（2.2）式等价于：             （2.3）
    利用最大似然法进行参数估计的步骤：
（1）先根据总体的分布规律得出联合分布率（或联合密度）；
（2）把未知参数 看做自变量，得到似然函数 ；
（3）利用微分原理求似然函数 的最大值点（常常转换为求 的最大值点）；
 
（4）在步骤（3）得到的表达式中，用观察到的具体样本值代入表达式中就得参数的最大似然估计值。
    举一个简单的例子来说明最大似然法：
设总体 ，其中均值 以及方差 均是未知的， 来自总体X的样本。我们通过最大似然法求出均值 以及方差 。
    因为总体满足分布 ，则X的概率密度为：       （2.4）
所以似然函数为          （2.5）
接下来分别求解均值 ，方差 使得似然函数达到最大值，由于对（2.5）的求导较为复杂，所以转换为对 的求导，求得能够使得似然函数 达到最大值的均值 ，方差 。 MATLAB基于EM算法的混合模型参数估计研究(3):http://www.youerw.com/zidonghua/lunwen_25615.html