隱馬爾可夫模型（Hidden Markov Model，HMM）是一種統計模型，用於描述含有隱藏狀態的馬爾科夫過程。在HMM中，存在一個隱藏的狀態序列，這些狀態通過某些機率密度分布產生可觀察的輸出序列。這些狀態對於外部觀察者是不可見的，但可以通過觀察輸出序列來間接推斷。
HMM的基本假設包括馬爾科夫性、齊次性、以及觀測獨立性。這意味著當前狀態僅與前一個狀態有關，狀態轉移機率在整個時間上保持不變，且每個狀態的觀測僅依賴於當前狀態，與其它狀態和觀測無關。
HMM被廣泛套用於多個領域，包括語音識別、自然語言處理、生物信息學、故障診斷等。在這些套用中，HMM能夠幫助從可觀察的參數中確定隱藏的過程參數，並利用這些參數進行進一步的分析或模式識別。
HMM的數學定義包括狀態轉移機率矩陣、觀測機率矩陣和初始狀態機率向量。這些參數共同決定了HMM模型。
HMM的主要優點包括其簡單性和在處理序列數據時的有效性。然而，它也有一些局限性，例如，它假設狀態轉移機率和觀測機率在整個時間上保持不變，這可能不適用於所有類型的數據。此外，由於隱藏狀態的不可見性，HMM的參數估計可能面臨挑戰。