高斯混合模型因为其广泛的应用性而被众多学者所研究。其中,高斯混合模型中参数估计更是研究的焦点。不少学者开发了一些比较有效的方法来估计GMM模型中的参数,如期望最大算法,基于模糊聚类、矢量编码学习以及蒙特卡洛抽样的方法等等。国内外学者对高斯混合模型的参数估计方法研究较多,对模型中参数空间受限条件下参数估计问题较少。文中主要是基于前人学者的研究基础,根据疾病分组检测中的实际问题,研究其参数空间受限制情况下参数的估计问题。在分组检测中,被检测样品指标服从高斯混合模型。分组大小为K,隐变量是组检测呈阳性个体数。连续变量分布依赖于组的阳性个体数,阳性个体数为0到K,所以高斯混合模型有K+1类。在传统高斯混合模型里,涉及到三类参数(均值,方差,权重系数)需要估计,则有3K+2个自由变换的参数。本文研究的模型中,我们组的观测结果是个体观测结果的平均值,个体观测结果取决于个体的状态。假设个体服从两类参数不同的高斯分布,每类高斯分布含有两个参数。所以在组大小为K的分组检测高斯混合模型中,其需要估计的参数5个,低于传统高斯混合模型的3K+2个,传统的EM算法等方法不再适用于本文模型。针对这种情况,本文提出了参数受限EM算法,相应的矩估计法以及ECM方法等方法来估计参数空间受限的参数估计问题。此外,通过模拟计算,其结果表明我们的统计量具有很好的统计性质。