在馬爾可夫模型中，每一個狀態都是可觀察的序列，是狀態關於時間的隨機過程，也成為可視馬爾可夫模型（Visible Markov Model,VMM）。隱馬爾科夫模型（Hidden Markov Model,HMM）中的狀態是不可見的，我們可以看到的是狀態表現出來的觀察值和狀態的概率函數。在隱馬模型中，觀察值是關於狀態的隨機過程，而狀態是關於時間的隨機過程，因此隱馬模型是一個雙重隨機過程。
當考慮潛在事件隨機生成表面事件時，可以用HMM解決。
舉個例子，說明隱馬模型：
有4個暗箱，放在暗處，每個箱子里有3種不用顏色的球（紅、橙、藍），從箱子往外拿球是有一定規律的，現在工作人員從暗處的箱子中取球，去了5次，我們看到額觀察序列是：紅藍藍橙紅。這個過程就是一個隱馬模型。暗處的箱子表示狀態，箱子的個數表示狀態的個數，球的顏色表示狀態的輸出值，球的顏色個數表示狀態輸出觀察狀態的個數，從一個箱子轉換成另一個箱子表示狀態轉換，從暗處箱子中取出的球的觀察顏色表示狀態的輸出序列。
因此可以歸納隱馬模型的5個組成狀態：
（1）模型中的狀態個數N(例子中的箱子個數)；
（2）每個狀態的可以輸出的不同觀測值M（例子中的球的顏色數目）；
（3）狀態轉移矩陣A= {aij}(例子中aij表示從第i個箱子轉移到第j個箱子的概率），其中aij滿足條件：
I. aij≥0， 1≤i,j≤N
II. aij= P(qt=sj|qt-1=si),
III. 
=1
（4）發射矩陣B={bj(k)}，即從狀態sj觀察到符號vk的概率分布矩陣.(bj(k)在例子中表示從的j個箱子中拿出第k個顏色的概率），其中bj(k)滿足條件：
I. bj(k)≥0， 1≤j≤N; 1≤k≤M
II. bj(k)= P(Ot=vk|qt=sj),
III. 
=1
（5）初始狀態概率分布π = {πj}.(例子中一開始到第j個箱子的概率），其中πj滿足條件：
I. πj(k)≥0， 1≤j≤N
II. πj= P(q1=sj),
III. 
=1
一般，一個HMM即為五元組μ={N,M,A,B,π}，為了簡便，常簡記為三元組μ={A,B,π}。
HMM有三個基本問題：
（1）評估問題：給定一個觀察序列O=O1O2...OT和模型μ={A,B,π}，如何快速地計算給定模型μ的條件下，觀察序列O=O1O2...OT的概率，即P(O|μ）？
（2）解碼問題：給定一個觀察序列O=O1O2...OT和模型μ={A,B,π}，如何快速地選擇在給定模型μ的條件下在一定意義下”最優“的狀態序列Q=Q1Q2...QT，是該狀態序列”最好地"解釋觀察序列？
（3）學習問題：給定一個觀察序列O=O1O2...OT，如何調整參數μ={A,B,π}，使得P(O|M)最大？
針對HMM的三個基本問題，相應的算法是：
（1）評估問題：前向后向算法
（2）解碼問題：維特比算法（Viterbi）
（3）學習問題：前向后向算法（BAUM-WELCH）。