近年来,隐马尔可夫模型(Hidden Markov Model,简记为HMM)在模式识别与随机信号处理中有着最广泛的应用,最成功的例子如语音识别和文字识别.我们知道,影响模式识别系统识别率的重要因素是输入的信号是否规范.因此,为了提高识别系统的稳健性,我们需要构造一种对输入模式信号自适应、抗干扰的隐马尔可夫模型.由于小波变换具有很强的去噪功能,一个自然的想法是在HMM识别系统前串连一个小波滤波器,将待识别模式信号作小波变换后于输入HMM模式识别系统以进行识别.该文首先介绍了隐马尔可夫模型中的一些基本元素,对将隐马尔可夫模型应用到实际中时所遇到的三个基本问题进行了讨论,并且给出了相应的解答.然后还对隐马尔可夫模型中的一些特殊结构类型作了介绍.其次,对小波变换及其相关知识进行了讨论.在简单介绍了小波变换的发展史之后,重点讨论了小波变换中的重要理论—多分辨率分分析理论,及其相应的分解和重构算法—Mallat算法.最后,我们提出了一种新的方法来解决通过小波变换后的隐马尔可夫过程参数的计算问题.这个方法使我们不必根据变换后的结果对系统参数进行重新估计,而只需利用变换后输出的小波系数直接来计算参数即可,避免了保留所有训练数据的繁琐复杂计算过程.