在有限混合模型中，除了基本的混合测度外，在许多情况下，数据中每个子种群的真实核密度函数是未知的。也许最流行的方法是选择一些我们经验上认为我们的数据是从中生成的核函数，并使用这些核来拟合我们的模型。然而，只要选择的核与真核不同，在这种情况下混合测度的统计推断将非常不稳定。为了克服这一挑战，受最小Hellinger距离估计、模型选择准则和超效率现象的启发，我们提出了这些模型中混合测度的灵活有效的稳健估计。我们证明，对于任何固定带宽，我们的估计器都能一致地恢复分量的真实数目，并在良好和错误的核设置下实现参数估计的最佳收敛速度。通过对合成数据和实际数据的仔细模拟研究，说明了这些理想的渐近性质。