在传统多假设跟踪(MHT)算法中通常会假设杂波强度先验已知，当观测场景中杂波未知且空变时，该假设将会导致跟踪算法性能急剧下降。针对这一问题，本文提出一种基于自适应高斯混合模型(GMM)在线估计未知杂波的改进MHT 算法。首先利用自适应GMM 拟合未知杂波空间分布，并自适应地估计出波门内的杂波强度；然后将其应用于MHT 处理中，有效改善航迹得分计算和最优假设航迹估计的准确性，进而实现在杂波未知场景中的稳定跟踪。仿真结果表明，在未知杂波观测场景中，所提算法相比传统MHT 算法和MHT-GMM 算法获得了更好的数据关联准确性和航迹维持性能。

针对可见光通信中的离散傅里叶扩展正交频分复用系统的非线性效应，提出一种基于高斯混合模型的聚类解调方法。运用机器学习中的高斯混合模型根据接收信号估计所有星座点的高斯分布参数。然后计算接收信号到每一个星座点高斯分布的概率，选择概率最大值对应的星座点作为接收信号的判决结果进行解调，从而可以获得一些信噪比增益。仿真结果表明，在LED非线性信道下，高斯混合模型聚类解调方法在16和32阶正交振幅调制下可以分别获得0.6 dB~2.7 dB和0.2 dB~1.7 dB的信噪比增益。

鸟击作为影响机场安全的主要事故征候，需要准确、稳定的弱小运动目标检测方法用于机场飞鸟检测。应用光场涨落增强低信噪比的飞鸟运动特征信号，再结合局部高斯混合模型对图像增强区域进行前景分割处理，实现宽视场复杂背景下的机场飞鸟目标检测，并完成不同光照条件的机场飞鸟检测实验。实验结果表明：所提算法较传统算法能有效提高机场条件下的远距离、宽视场、低信噪比弱小目标检测率，且具有较好的光学稳定性。

在利用表面增强拉曼光谱(SERS)对毛发中痕量物质进行分析时, 该SERS信号中毛发特征峰与增强基底背景峰会相互耦合。 在耦合情况下, 背景峰会被误识别为毛发特征峰, 导致待测物的识别错误, 此外具有高峰强特性的背景峰对毛发中微弱特征峰产生掩盖干扰。 因此, 背景峰的扣除是解决上述问题的重要途径, 但常规的扣峰方法会导致周围邻峰的严重失真。 针对上述问题提出了高斯混合模型, 该模型在表征SERS信号的同时又使得各特征峰相互独立, 在扣峰过程中对周围邻峰不产生干扰, 既实现干扰峰的扣除又保证了邻峰的微失真。 高斯混合模型的核心问题在于模型参数的求解, 文中提出了小波变换与共轭梯度法, 分别解决模型的初始参数问题及最优解问题。 小波变换通过映射放大SERS信号的细节信息, 充分提取该信号的细微特征信息, 将该特征信息作为模型的初始参数。 其中共轭梯度法是迭代优化方法, 将模型参数进行循环迭代优化, 最终收敛结果即为模型参数的最优解。 综上两种方法可准确建立高斯混合模型, 模型中单高斯函数为SERS信号的特征峰, 且两者的峰形保持一致。 在扣除SERS信号的背景峰时应遵循以下过程, 包括有效数据的提取、 模型建立和峰的扣除。 其中有效数据的提取是对空白与滴样的增强基底进行同位置检测, 由此得到一组SERS信号。 模型建立是通过高斯混合模型对滴样SERS信号进行表征, 该信号可由多个高斯函数表现。 最后利用空白增强基底的特征峰对滴样的SERS信号进行指认, 其中峰形相似且峰位相同的特征峰可扣除。 实验结果表明, 方差值比最小时, 高斯混合模型的峰位、 峰宽、 峰强等特征与毛发SERS信号基本相同, 此时高斯混合模型可准确表征毛发SERS信号的特征信息。 在对7组毛发进行扣峰实验时, 毛发SERS信号中背景峰扣除率达到50%～100%, 同时毛发的特征峰也得到有效提取。 在对真实毛发样本进行快速分析时, 该模型识别出了毒品曲马多。

针对舰船合成孔径雷达(SAR)图像识别中的图像分割问题，运用数理统计领域的方法，以舰船合成孔径雷达图像为研究对象，在深入分析经典K–Means聚类算法以及高斯混合模型之后，提出一个改进的高斯混合模型，用来对舰船合成孔径雷达图像进行分割。该方法采用马氏距离对经典K–Means方法进行改进，同时，将传统高斯混合模型的每一个概率分布，进一步再细分成单个的概率成分，在辅助变量计算过程中，采用梯度上升算法。仿真实验结果显示，研究得到了比使用经典K–Means算法和普通高斯混合模型的分割方法精确度更高、稳定性更好的分割结果。

为了增强模糊局部信息C均值聚类算法的鲁棒性和分割性能, 提出一种基于特征选取的模糊局部信息C均值聚类算法。在现有的模糊局部信息C均值聚类算法基础上, 对其目标函数的局部邻域约束项添加邻域隶属度约束, 并将特征选取的思想引入该目标函数, 并利用KL散度作为正则项因子, 获得一种新的鲁棒模糊聚类算法。对算法迭代所获得的像素隶属度进行局部中值滤波, 再采用最大隶属度准则实现像素归类得到最终分割结果。实验结果表明, 文中算法相比现有的FLICM算法具有更好的分割性能和抗噪鲁棒性。