Ukryte modele Markowa (ang. hidden Markov models, HMM) – klasa modeli probabilistycznych służących do opisu danych sekwencyjnych, w których obserwowana sekwencja powstaje pod wpływem nieobserwowanego procesu Markowa. Model zakłada, że układ przechodzi między ukrytymi stanami zgodnie z łańcuchem Markowa, a w każdym stanie generuje obserwację według rozkładu emisji zależnego od tego stanu.
Ukryte modele Markowa są stosowane między innymi w rozpoznawaniu mowy, przetwarzaniu języka naturalnego, bioinformatyce, analizie sygnałów, segmentacji szeregów czasowych, rozpoznawaniu gestów, ekonomii i finansach oraz modelowaniu reżimów ukrytych.
Intuicja W zwykłym łańcuchu Markowa obserwuje się stan układu. W ukrytym modelu Markowa stan nie jest obserwowany bezpośrednio; widoczna jest tylko sekwencja symboli, pomiarów albo wektorów cech emitowanych przez układ. Dlatego model rozdziela dwie warstwy: warstwę ukrytą, czyli sekwencję stanów; warstwę obserwowaną, czyli sekwencję emisji.