Os modelos de mistura são um dos métodos mais utilizados para modelar conjuntos de dados que provêm de uma população heterogénea. Em particular, na análise de regressão é recorrente o uso de modelos de mistura de regressões para modelar a heterogeneidade não observada da população. Dentro do contexto dos modelos de mistura de regressões, as misturas de modelos lineares mistos têm sido aplicadas às mais diversas áreas uma vez que permitem explicar convenientemente as correlações entre observações do mesmo indivíduo e permitem, ao mesmo tempo, modelar a heterogeneidade entre os diferentes indivíduos. Uma das principais dificuldades dos modelos de mistura surge na seleção do número de componentes adequado, um problema de grande complexidade que ainda não foi totalmente resolvido. Na literatura é possível encontrar uma grande variedade de estudos relacionados com o desempenho de diferentes métodos estatísticos na determinação do número de componentes de modelos de mistura. No contexto de misturas de modelos lineares mistos, neste trabalho abordase o problema da estimação dos parâmetros, recorrendo ao algoritmo EM, bem como o problema da determinação do número de componentes, investigando-se o desempenho de vários métodos de seleção de modelos. Para avaliar as metodologias desenvolvidas realizam-se estudos de simulação, em particular com recurso a metodologias de reamostragem, e aplicam-se essas mesmas metodologias a um conjunto de dados reais. Os resultados obtidos demonstram que os critérios de informação HQIC, AIC4 e aBIC e o teste de razão de verosimilhanças são as melhores opções para estimar o número de componentes em misturas de modelos lineares mistos.