高斯混合模型(Gaussian Mixture Model, GMM)是一種統計模型，用於描述數據點的分布。它的核心思想是，任意形狀的機率分布可以通過多個單高斯分布的線性組合進行近似。
在GMM中，假設數據是由K個高斯分布組成的，每個高斯分布被稱為一個「Component」，這些Component線性加成在一起就組成了GMM的機率密度函式。每個Component由一個均值向量和方差矩陣表示，這些參數可以通過數據點的回響度來估計。
GMM的目標是最大化數據的似然函式，即找到一組參數值，使得模型生成的數據點與實際數據點具有最大的相似性。求解GMM模型通常使用期望最大化(Expectation Maximization, EM)算法。在EM算法中，首先初始化模型的參數，然後通過疊代過程更新這些參數，直到模型參數收斂。
GMM在數據分類、異常檢測、圖像分割和圖像生成等領域有著廣泛的套用。例如，在圖像生成中，GMM能夠通過不同的高斯分布的線性組合對任意圖像分布進行擬合，從而生成新的、與原數據相似但不同的圖像。