EM的核心是通過已有的數據來遞歸的估計似然函數，常用用在樣本特徵丟失的情況中。其前身爲Baum-Welch算法。EM與K-means比較：計算複雜，收斂較慢，依賴初始值，容易進入局部最優點。
K-means的迭代步驟可以看成E步和M步，E：固定參數類別中心向量重新標記樣本，M：固定標記樣本調整類別中心向量。K均值只考慮（估計）了均值，而沒有估計類別的方差，所以聚類的結構比較適合於特徵協方差相等的類別。
假設完整的樣本集D=｛x1,……,xn｝服從某個特定分佈。假設一些特徵丟失。設任一樣本爲xi=｛xig,xib｝，表示樣本的特徵由兩部分組成：xig表示完整的樣本特徵；xib表示丟失或損壞的特徵。我們用Dg和Db分別表示兩類特徵集。全部特徵集D=DgUDb。
分號表示上式左邊是一個關於θ的函數，θ^i表示已經取固定值。右邊表示丟失特徵求對數似然函數的期望。θ^i表示表示整個分佈的真實參數。該公試爲EM算法的核心。
θ^i爲當前對樣本集分佈最好的估計，θ則是在次基礎上對θ^i改進的一個候選參數，即θ是下一個θ^i的候選。