针对SINS/GPS组合导航系统中, GPS提供的量测信号存在容易受到干扰而导致滤波精度下降的问题, 提出一种基于EM算法的组合导航系统容错方法。该方法对各个分量的量测噪声建立二维高斯混合模型, 并引入一个指示变量表示量测值从异常分布中采样的概率。根据系统状态方程、上一时刻状态估计值以及当前时刻测量值, 利用EM算法求解当前时刻量测真值的极大似然估计, 并结合序贯滤波算法对每一个分量的量测值进行精细检测与修正。车载实验表明, 该方法能够有效提高SINS/GPS组合导航系统在GPS信号异常情况下的融合精度与可靠性。

针对闪光照相图像低信噪比的特点，研究了带约束的基于极大似然模型和期望最大化算法(ML-EM)的闪光照相图像重建算法。该算法在ML-EM迭代重建算法的基础上，根据闪光照相图像低信噪比的特点及被重建客体具有分段平滑的先验信息，在迭代重建的过程中进行了相应的噪声抑制，抑制了噪声对重建结果的影响，同时很好地保持了客体的边界特征。数值模拟结果表明，基于噪声约束的ML-EM重建算法能取得较好的重建效果。

目前寿命预测的建模过程中很少考虑漂移系数变化产生的影响，这并不合理且不符合实际情况，为解决这个问题，建立了基于Kalman滤波和Wiener过程的系统性能退化模型，在此基础上采用Kalman滤波和EM算法实现了模参数的估计和更新，最后通过某陀螺仪的寿命预测实例验证了方法的有效性。

针对传统EM算法存在估计参数不具有最优性，以及在参数估计中需要人工参与等问题，提出一种基于高斯混合模型的改进EM算法。采用无人工参与的无监督思想，获取高斯混合模型对直方图拟合的最优参数组合。实验表明，该算法不仅能够快速地估计模型参量，而且能够给出最优参数，并在图像增强中使细节更明显，对比度更适中。

针对无人机在山地条件下飞行时气象威胁因素复杂多变，提出一种基于贝叶斯网络的山地气象威胁度建模与评估方法。结合专家知识与EM算法构建贝叶斯网络模型，利用多树传播推理算法对山地气象要素进行威胁等级评估。评估结果表明，基于贝叶斯网络的气象威胁度评估能够正确直观地划分山地气象要素对无人机的威胁等级，对无人机智能决策具有重要意义。

提出一种基于贪心 EM算法的 HMRF遥感影像变化检测算法。该算法采取 PCA与差值法相结合的方式来构造差分影像。首先，采用隐马尔可夫随机场（ Hidden Markov Random Field，HMRF）模型描述空间上下文信息，并构造系统能量函数；然后，利用贪心 EM算法克服 EM算法假定混合成分数为已知、迭代结果过分依赖初始值、可能收敛到局部最大点或收敛到参数空间边界的缺点，能够准确学习分布模型结构和参数，发现数据对模型的最佳匹配；最后，通过条件迭代模型（ Iterated Conditional Modes，ICM）优化算法求解能量函数最优解，获取变化区域。实验结果表明，该算法能够更好地保持影像的结构性，有效去除孤立噪声。

提出了一种基于快速EM(expectation maximization)算法和模糊融合的多波段遥感影像无监督变化检测方法.该方法首先对各波段差异影像采用基于直方图分析的快速EM迭代算法获取变化分类阈值和变化信息，随后对各波段的变化信息进行模糊融合和判决，生成最终的变化检测图.利用真实的多波段遥感影像进行了实验，本文方法在运行时间和检测效果两个方面都具有优越性.

为提高目标识别率，在目标图像融合过程中引入Markov随机场建立类别的先验分布模型，针对模型中参量β的选取问题，提出了基于各类各向异性的期望最大化-最大后验概率-多层次马尔可夫随机场集中式与分布式两种图像融合算法.实验证明，两种融合算法都既可以提高分类准确度，又能够增大抗噪能力，且二者又有不同的特色，可以根据实际要求(如，运算速度、分类准确度、计算负荷等)进行应用选择，用以提高对特定目标进行自动检测与识别的准确性.

改进了传统的基于小波域隐马尔科夫树模型的图像分割方法.由于传统方法均为直接选择小波子带系数作 为训练特征, 不能直接得到像素级分割结果;同时传统方法在后融合方面对所有尺度均采用同一种上下文背景, 而 忽略不同尺度上初分割类标志图的特点.因此, 本文在粗分割阶段首先处理了训练时参数设置的问题, 并选取了更 能表征纹理的特征, 能直接得到像素级分割结果;在多尺度融合阶段, 充分利用不同尺度上类标志图的特性, 不仅 考虑粗尺度信息对融合结果的影响也考虑了细尺度信息对结果的影响.实验表明本文算法的视觉效果好于与本文 进行比较的Choi提出的HMTseg以及孙强提出的WD-HMTseg遥感图像分割算法.

用高斯混合模型作为角闪烁噪声的近似统计模型,结合Kalman滤波器,提出了一种利用期望最大化(EM)算法抑制角闪烁噪声的预处理方法。首先采用EM算法处理一帧内的原始测量数据,预先得到目标真实位置的最大似然估计,这个预估计量服从渐进高斯分布,且其方差可求。然后将这个预估计量作为Kalman滤波器的输入量进行跟踪滤波,同时将目标位置的预测值作为下一帧EM迭代过程的初始值,进而形成闭环的跟踪滤波结构。仿真结果表明,该方法有效地抑制了角闪烁,使得Kalman滤波算法更加有效,从而提高了目标跟踪的精度。