隐马氏模型（Hidden Markov Models）是一类统计模型，简称HMM。它包括一个不被直接观测的马尔可夫过程和一个与之相关的可观测过程。隐马氏模型需要解决三个问题：学习问题、识别问题和解码问题，对这三个问题的回答构成了隐马氏模型的理论。其中，参数估计是学习问题的核心。 在目前用于语音识别的隐马氏模型中，由于对模型的刻画不够精确，故而在识别过程会产生一些大的误差。特别在说话人识别当中，由于给出的模型不够精确，可能会无法识别出真正的说话者。在许多实际工程应用如语音密码防盗等问题中，这样的识别误差会带来巨大的损失。因此，将隐马氏模型进一步精细化也就成为了正确识别的重要前提。 本文从语音识别的实际背景入手，针对两点进行研究：（1）模型状态的驻留时间对于观测特征概率的影响；（2）语音识别中的帧相关问题。本文中建立了两类新的隐马氏模型MDHMM（modified discrete HMM）和MCHMM（modified continuous HMM），在新模型的转移概率和特征概率中都加入了驻留时间并建立了新的模型参数，新模型不但很好地利用了驻留时间这一重要信息，并且利用带驻留时间的转移弧产生输出观测特征值进行识别研究，既有效的考虑了帧相关问题，又降低了运算过程的复杂性。 本文在MDHMM模型下给出了一种经过改进后的Viterbi算法来进行汉语的字词识别问题。还讨论了两种新模型MDHMM和MCHMM的参数重估计算法，并进行了相应的模拟实验，从理论和实验结果论证了新模型的精确性和优越性。