期望极大化（expectation maximization），理学-计算机科学技术-计算机科学理论-概率统计-概率推理，一种求解未观测变量的迭代式计算形式。是在不完整数据上计算概率模型分布参数的一种常用方法。在机器学习中，不直接包含一些变量对应值的采样数据称为不完整数据，这些变量相应地称为未观测变量或隐含变量。期望极大化迭代地使用两个步骤，避开这些缺失的数据又能估计出模型参数：步骤一，根据模型预估参数推断缺失数据，亦即推断出未观测变量的“期望”（名称的前半部分）；步骤二，结合所推断数据使用极大似然估计（maximum likelihood estimate）法精化模型参数，亦即“最大化”（名称的后半部分）参数似然，作为下一轮迭代中步骤一使用的预估参数。计算机算法由哈佛大学统计系名誉教授A.P.登普斯特（Arthur Pentland Dempster）等人在1977年命名为EM，E和M分别取自“期望”和“最大化”两个英文单词的首字母。由两个部分构成：①模型参数初始化。②由“期望”步骤（E步骤）和“最大化”（M步骤）组成的迭代部分。