随着计算机技术的发展,大规模处理数据变得越来越广泛。在非参数回归问题中,如何能够在尽量避免信息损失的前提下,对自变量向量进行降维,从而提取有效信息这是一个重要的问题。充分降维正是解决高维数据降维的有效工具,其基本思想是不预先假定参数模型的前提下,寻找原自变量的线性组合,从而达到降维的目的。在各种充分降维理论中,切片逆回归(sliced inverse regression,SIR)是一种非常重要和基础的降维方法,这种方法操作简便,且较为稳健可靠,至今仍然被广泛使用。然而,SIR方法需要假定线性设计条件得到满足,而该条件若得到满足,则自变量向量已几近服从椭球对称分布。然而实际问题中,自变量向量并不总是满足这个条件。本文提出了针对自变量向量服从混合正态分布时,切片逆回归的改进方法。在自变量服从混合正态分布的情况下,设计了基于切片逆回归思路和两步期望公式的核心矩阵,并证明了核心矩阵张成的空间在降维空间中。此外,通过将混合正态分布的分量标识变量视为潜在变量,并基于一个重抽样方法,给出了核心矩阵的估计方法、充分降维方向的提取方法和结构维数的估计方法。在此基础上,给出了完整算法。通过模拟数据的分析,发现改进后的切片逆回归的方法不仅对奇函数有着很好的效果,对偶函数也有着较好表现,在一定程度上提高了降维方向估计的准确性。