在统计学领域,给定某些随机变量用来推断另一响应变量的分布是统计学需要研究的重要问题。当自变量和响应变量之间的关系类型无法预先获知时,我们面临的就是非参数回归问题。在自变量的个数很小时,我们则可以直接用响应变量来对自变量进行非参数拟合,但是当自变量维数变高时,我们用响应变量直接对自变量进行拟合很有可能会面临“维数诅咒”,此时我们则需要对自变量进行降维处理。大部分充分降维方法的使用均依赖于对自变量向量分布的一些假设,例如:SIR方法需要满足线性设计条件(L.D.C),而SAVE和PHD方法除L.D.C.条件外,还要满足常数条件方差假设。这其中作为一种对于样本信息的利用特别充分的降维方法,累积切片方法具有很独特的优势,能够得到较为精确的中心子空间的估计。因此,累积切片方法在充分降维领域受到了较为广泛的关注。然而,在现实问题中,线性设计条件得不到满足的情况并不罕见,其中,混合分布就是较为常见的一种情形,特别是在带有分类数据背景的问题中。此时,我们就不能利用上述方法对自变量进行降维处理。有鉴于此,本文研究在一种典型而常见的混合分布——多元混合正态分布下,如何对累积切片估计方法进行改进,使得改进后之后的方法能够正确估计降维空间,获取降维向量,估计结构维数。我们提出了两种方案,在这两种方案下,通过对核心矩阵的重新设计,我们就获得了降维空间、降维向量和结构维数的估计,设计了完整的算法,并通过模拟分析说明了所提出的方法的合理性。