其难点是从可观察的参数中确定该过程的隐含参数，然后利用这些参数来作进一步的分析，在被建模的系统被认为是马尔可夫过程与未观测到（隐藏）状态的统计马尔可夫模型。在正常的马尔可夫模型中，状态对于观察者来说是直接可见的。这样状态的转换概率便是全部的参数；而在隐马尔可夫模型中，状态并不是直接可见的，但受状态影响的某些变量则是可见的。每一个状态在可能输出的符号上都有概率分布。因此输出符号的序列能够透露出状态序列的一些信息。

隐马尔可夫模型状态演化强调了HMM的状态变迁（见图）。有时明确地表示出模型的演化也是有用的，用与来表达不同时刻和的状态。图中箭头方向则表示不同资讯间的关联性，因此可以得知与有关，而又与有关。而每个只和有关，其中称为隐藏变数（hidden variable），是观察者无法得知的变数。隐马尔可夫模型常被用来解决有未知条件的数学问题。假设隐藏状态的值对应到的空间有个元素，也就是说在时间时，隐藏状态会有种可能。同样的，也会有种可能的值，所以从到间的关系会有种可能。除了间的关系外，每组，间也有对应的关系。若观察到的有种可能的值，则该马尔可夫模型的复杂度为。

隐马尔可夫模型状态变迁图

假设观察到的结果为，，隐藏条件为，，长度为，则马尔可夫模型的概率可以表达为：，由这个概率模型来看，可以得知马尔可夫模型将该时间点前后的资讯都纳入考量。

HMM有3个典型问题：①已知状态转移和输出概率，以及某一特定输出序列，计算某一特定输出序列的概率，通常使用向前算法（forward algorithm）解决。②已知某一特定输出序列，状态转移和输出概率，寻找最可能的能产生某一特定输出序列的隐含状态的序列，通常使用维特比算法（Viterbi algorithm）解决。③已知输出序列，寻找最可能的状态转移以及输出概率。通常使用鲍姆-韦尔奇算法（Baum-Welch algorithm）、反向维特比（reversed Viterbi）算法解决。另外，一些方法使用联合树（junction tree）算法来解决这3个问题。

应用于语音识别、中文断词/分词或光学字符识别，机器翻译，生物信息学和基因组学中的基因组序列中蛋白质编码区域的预测，对相互关联的DNA或蛋白质族的建模，以及从基本结构中预测第二结构元素通信中的译码过程等方面。