数据丢失是模式识别技术在解决现实生活中的分类任务时需要处理的一个常见缺陷。 本文首先讨论了使用高斯混合模型（GMM）处理缺失值的高维样本时遇到的问题。 由于由于收敛性和稳定性问题，直接使用高维样本作为输入来拟合GMM非常困难，因此提出了一种通过将降维GMM扩展到全维空间来构建高维GMM的新方法。 在扩展的全维GMM的基础上，提出了边际化和条件均值插补两种方法，对在线阶段数据缺失的样本进行分类。 然后，采用提出的方法从表面肌电信号（sEMG）识别手部动作，即使缺少50％的sEMG信号，也可以获得超