隐马尔可夫模型(Hidden Markov Model, HMM)是马尔可夫链的一种,它的状态不能直接观察到,但能观测另外一列序列,该序列由其所对应的状态序列按照某一概率分布产生。所以,隐马尔可夫模型是一个双重随机过程----具有一定状态数的隐马尔可夫链和显示随机函数集。自从20世纪60年代后半期Leonard E. Baum提出该模型以来,HMM已经广泛应用于各种领域。20世纪80年代以来,HMM被应用于语音识别,取得重大成功。到了90年代,HMM还被引入计算机文字识别和移动通信核心技术“多用户的检测”。近年来,HMM在生物信息科学、故障诊断等领域也开始得到应用。在本篇论文中我们将提出一种HMM的学习算法来估计HMM的参数。在信息爆炸的今天,随着人们获得信息的数量不断增加,HMM这种统计处理方式的模型因为天量信息的优势,也将有越来越多的运用机会运用到更多领域。在本文的第一章我们将介绍关于HMM的问题的提出以及国内外的研究现状。在第二章中我们将详细介绍HMM已及其在某些相关领域的运用。在第三章中我们将针对一种监督式HMM提出一种不同于传统学习算法的学习算法,然后对于这种算法的复杂度、正确性以及其一些计算中的细节进行讨论。