Najważniejsze ograniczenia to: założenie, że przyszły stan zależy tylko od obecnego stanu; założenie, że obserwacja zależy tylko od aktualnego stanu ukrytego; trudność w wyborze liczby stanów; zbieżność algorytmu Bauma-Welcha tylko do maksimum lokalnego; możliwa trudność interpretacji stanów ukrytych; problemy numeryczne wynikające z mnożenia wielu małych prawdopodobieństw.
W praktyce obliczenia prowadzi się często w skali logarytmicznej albo stosuje skalowanie zmiennych w algorytmach w przód i wstecz, aby uniknąć niedomiaru numerycznego.
Pakiety i oprogramowanie R W języku R do ukrytych modeli Markowa używa się między innymi pakietów HiddenMarkov, HMM i depmixS4. Pakiet HiddenMarkov zawiera funkcje do analizy dyskretnych HMM-ów, modeli Markowa modulujących uogólnione modele liniowe oraz procesów Poissona modulowanych Markowowsko; obejmuje symulację, estymację parametrów i algorytm Viterbiego. Pakiet depmixS4 służy do dopasowywania ukrytych lub latentnych modeli Markowa dla mieszanych danych kategorycznych i ciągłych, w tym modeli z emisjami z rodzin GLM i rozkładów wielowymiarowych normalnych.