期望最大化（EM）算法是潜在数据模型中模型参数估计的通用工具。然而，在处理大型数据集或数据流时，EM变得很难处理，因为它要求在算法的每次迭代中都可以使用整个数据集。本文提出了一种新的通用在线EM算法，用于一般隐马尔可夫模型中的模型参数推断。该新算法在处理一个观测块后（在线）更新参数估计。建立了新算法的收敛性，并研究了收敛速度，显示了块大小序列的影响。为了提高收敛速度，还提出了一种平均方法。最后，给出了实际例子，以突出这些算法与其他在线最大似然过程相比的性能。