期望最大化方法（expectation maximization），理学-计算机科学技术-计算机应用-多媒体计算-计算机视觉-典型方法，对含有隐藏变量的模型进行参数估计的一种方法。如果模型没有隐藏变量，那么通常可以采用最大似然估计或最大后验估计来求解模型的参数。对于带有隐藏变量的模型，最大似然估计或最大后验估计的目标函数将会变得很难优化。这时可以通过设计易于优化求解的样本的对数似然函数的下界，并通过最大化这个下界来求解模型的参数。这是一个不断地进行迭代优化的过程，每一次迭代包括两个步骤：一步是固定模型的参数并对隐藏变量的概率分布进行操作以改进下界，又称为期望步，该步操作是将隐藏变量的概率分布设置为依赖于样本和当前参数的后验概率分布；一步是固定隐藏变量的概率分布并对参数进行最大化以改进下界，又称为最大化步，该步操作最大化的目标函数是可观察变量和隐藏变量的联合概率分布函数取对数后再对隐藏变量求取期望后的函数。迭代过程中的每一步都会保证下界不断提升直到参数收敛到局部最优解。