马尔科夫过程可以看做是一个自动机，以一定的概率在各个状态之间跳转。

考虑一个系统，在每个时刻都可能处于N个状态中的一个，N个状态集合是 {S₁,S₂,S₃,...S_N}。我们现在用q₁,q₂,q₃,…q_n来表示系统在t=1,2,3,…n时刻下的状态。在t=1时，系统所在的状态q取决于一个初始概率分布PI，PI(S_N)表示t=1时系统状态为S_N的概率。

马尔科夫模型有两个假设：

1.      系统在时刻t的状态只与时刻t-1处的状态相关；（也称为无后效性）

2.      状态转移概率与时间无关；（也称为齐次性或时齐性）

第一条具体可以用如下公式表示：

P(q_t=S_j|q_t-1=S_i,q_t-2=S_k,…)= P(q_t=S_j|q_t-1=S_i)

其中，t为大于1的任意数值，S_k为任意状态

第二个假设则可以用如下公式表示：

P(q_t=S_j|q_t-1=S_i)= P(q_k=S_j|q_k-1=S_i)

其中，k为任意时刻。

隐马尔科夫模型由初始状态向量S、状态转移概率矩阵A和观测概率矩阵B决定，S和A决定状态序列，B决定观测序列，因此，隐马尔科夫模型λ可以用三元组符号表示，即

　　　　λ=(A,B,S)

A,B,S称为隐马尔科夫模型的三要素。

隐马尔科夫可以解决的三个问题

(1)概率计算问题：给定模型λ=(A,B,S)和观测序列O=(o₁,o₂,...,o_r),计算在模型λ下观测序列O出现的概率p(O|λ)①直接计算法

②前向算法

③后向算法

(2)学习模型：已知观测序列O=(o₁,o₂,...,o_r)，估计模型λ=(A,B,S)的参数，使得在该模型下观测序列概率p(O|λ)最大，即用极大似然估计的方法估计参数

(3)预测问题：已知模型λ=(A,B,S)和观测序列O=(o₁,o₂,...,o_r)，求给定观测序列条件概率p(O|λ)最大的状态序列。即给定观测序列，求最优可能的对应的状态序列。