EM算法是求参数最大似然估计的一种常用算法,它具有简单可行和稳定收敛的优点,因此其应用广泛.但在实际的应用中,要想求出E步中积分的显示表达式有时很困难,甚至不可能,这阻碍了 E M算法的发展.而 Monte Carlo EM(MCEM)算法能很好的解决这个问题,充分利用Monte Carlo模拟求出E步中的积分.我们知道,E M算法和MCEM算法都是线性收敛的,而且速度非常缓慢,当处理较高缺失比例的数据时,这种缓慢极其明显.又因为Newton-Raphson(N-R)算法具有二次收敛速率的优点,因此本文将运用M C E M加速算法,它是由MCEM算法与N-R算法相结合而来的.这一算法既能使得E M算法中的E步用Monte C a r l o模拟实现,又能证明该算法具有二次收敛速度.本文研宄基于EM算法的带有I I型删失数据的混合模型的参数估计问题,主要内容如下:　　一是针对混合模型的参数估计难题主要存在于观测数据缺失的场合,本文将以含有两个混合分量的指数混合模型为例,分别从缺失数据和II型删失数据两个方面讨论指数混合模型的参数估计问题,推导出该模型参数估计的EM算法迭代式,并用数值模拟验证该算法的可行性。　　二是针对II型删失数据,当缺失数据比例较高时,本文利用N-R算法二次收敛速率的优点,推导出指数混合模型参数估计的MCEM加速算法的迭代式,通过数值模拟,比较M C E M加速算法与E M算法的结果,进一步说明MCEM加速算法的优良性。