高斯混合模型（Gaussian Mixture Model，GMM）是一種機率模型，它使用多個高斯分布的線性組合來描述數據的機率密度。每個高斯分布被稱為一個組件，每個組件有其特定的均值、方差和權重。
GMM的原理是，假設數據是由多個高斯分布生成的。在使用期望最大化（Expectation Maximization，EM）算法進行參數估計的過程中，EM算法先固定一個變數使整體函式變為凸最佳化函式，求導得到最值，然後利用最優參數更新被固定的變數。這樣，每次循環時，先固定當前的高斯分布不變，獲得每個數據點由各個高斯分布生成的機率。然後固定該生成機率不變，根據數據點的生成機率，獲得一組更佳的高斯分布。
GMM可以套用於多個領域，包括數值逼近、語音識別、圖像分類、圖像去噪、圖像重構、故障診斷、視頻分析、郵件過濾、密度估計、目標識別與跟蹤等。它也可以用於異常檢測和聚類分析，特別是在處理複雜數據集時，如醫學圖像處理和運動目標檢測。
總的來說，GMM是一種強大的工具，能夠通過將數據擬合到多個高斯分布中，揭示數據的內在結構和分布特性。