近年来贝叶斯方法在图像和信号处理方面获得了广泛的应用,统计信号和图像处理中一个日益重要的话题就是非高斯信号特征和数据的建模。有限混合模型提供了个强大、灵活以及原则性的统计方法,在许多复杂数据模型中得到了广泛的应用。有限混合模型中两个重要的问题分别是如何选择混合分量密度函数和参数估计方法。本文采用描述能力强的广义Gamma分布(Generalized Gamma Distribution)作为混合模型的混合分量,并运用灵活性较强的MCMC(Markov chain Monte Carlo)算法对其进行参数估计,进而应用至SAR(Synthetic Aperture Radar)图像的模型建立。首先,本文对有限混合模型的研究背景和意义做了简要的阐述,并介绍了有限混合模型及混合模型中常用参数估计方法—极大似然法和贝叶斯分析法。然后,详细介绍了MCMC算法,在混合分量个数已知的情况下,给出了基于MCMC算法的高斯混合模型参数估计的理论推导和相关仿真。再后,在混合分量个数未知的情况下,研究了基于MCMC算法的广义Gamma混合模型的参数估计。由于需要估计参数的满条件分布并不是某个确定函数的分布形式,本文采用随机游动的M-H(Metropolis-Hastings)算法对参数进行抽样,并选择了一种自适应的算法来寻找合适的建议分布方差。通过人工拟合数据和实际SAR图像数据仿真验证了MCMC算法对广义Gamma混合模型参数估计的可行性及有效性。最后,为了克服MCMC算法中需要预先知道混合模型中具体分量数的缺点,本文采用可逆跳跃的MCMC(Reversible Jump Markov chain Monte Carlo)算法对广义Gamma混合模型进行参数估计。RJMCMC算法允许抽样过程在不同维数的参数子空间之间跳跃,进而可以确定混合模型中混合分量的个数。人工拟合数据和实际SAR图像数据仿真表明RJMCMC算法在确定模型阶数方面具有优越性。