本研究在高斯混合模型背景下，首次对扩散模型中引导信息对性能的影响进行了理论研究。结果显示，引入扩散引导提高了分类置信度，减少了分布多样性，降低了输出分布的微分熵。研究采用了DDPM和DDIM等广泛采用的采样方案，并利用了比较不等式和Fokker-Planck方程描述概率密度函数演化。