广义期望最大算法（Generalized Expectation Maximization）是数据不完全或者存在缺失变量的情况下参数估计的迭代算法。算法的每一次迭代是由期望(Expectation)和极大(Maximization)两步操作构成，也是一种广义的渐进逼近的最优化算法，在定义一个最优化函数后，主要分为以下两步：1.根据参数调整模型（E步）；2.根据模型调整参数（M步）；E步和M步交替进行，直至得到最优解停止。广义期望最大算法的基本思想是首先在给出缺失数据初值的条件下估计出参数值，然后根据参数值估计出缺失数据的值；再根据估计出的缺失数据值对参数值进行更新，如此反复迭代直至收敛。所谓存在缺失数据可以有两种解释，一种情况是由于问题本身的不合理或观测条件的限制导致观测数据存在缺失变量，另一种情况是缺失变量本身并不存在，但是观测数据的似然函数优化比较复杂，而如果添加额外的隐(hidden)变量或潜在变量后的完全数据似然估计则比较简单。