为了解决传统高斯混合模型中期望值EM处理必须具备足够数量的样本才能开始训练的问题，提出了一种新的高斯混合模型在线增量训练算法。本算法在Ueda等人提出的Split-and-MergeEM方法基础上对分裂合并准则的计算进行了改进，能够有效避免陷入局部极值并减少奇异值出现的情况；通过引入时间序列参数提出了增量EM训练方法，能够实现增量式的期望最大化训练，从而能够逐样本在线更新GMM模型参数。对合成数据和实际语音识别应用的实验结果表明，本算法具有较好的运算效率和分类准确性。