转自：
http://zipperary.com/2013/10/15/an-introduction-to-hmm/
http://www.52nlp.cn/hmm%E7%9B%B8%E5%85%B3%E6%96%87%E7%AB%A0%E7%B4%A2%E5%BC%95
总结（Summary）
隐马尔科夫模型（HMM）用五元组(N,M,pi,A,B) 来表示，N为隐含状态数目，M为观察状态数目，或简写为一个向量和两个矩阵(pi,A,B) ( 隐藏状态初始概率分布、隐藏状态转移概率矩阵、隐藏-观察状态混淆矩阵 ) ，HMM对于实际系统有着巨大的价值，虽然经常只是一种近似，但它们却是经得起分析的。
隐马尔科夫模型通常解决的问题包括：（示例可见：一文搞懂HMM）
1. 概率计算问题：已知HMM模型λ及观察序列O，如何计算得到这个观察序列的概率P(O|λ)？使用前向算法（forward algorithm）解决；
2. 预测问题（解码问题）：已知HMM模型λ及观察序列O，确定最可能的隐藏状态序列，使得产生此观测序列的概率最大。使用Viterbi 算法（Viterbi algorithm）解决；
3. 学习问题：对于已生成的观察序列，如何调整模型参数, 使得P(O|λ)最大，使用前向-后向算法（forward-backward algorithm）解决。（这个问题事实上就是给出很多个观察序列值，来训练以上几个参数的问题。）
例子
一个很好的助于理解的例子：http://www.52nlp.cn/hmm-concrete-example-on-wiki
一篇更详细易懂的文章：http://www.cnblogs.com/skyme/p/4651331.html