W rozpoznawaniu mowy często stosowano HMM-y z emisjami ciągłymi, w szczególności z mieszaninami gaussowskimi. W bioinformatyce klasyczne modele sekwencyjne często używają emisji dyskretnych nad alfabetem nukleotydów lub aminokwasów.
Wybór liczby stanów Liczba ukrytych stanów może wynikać z wiedzy dziedzinowej albo być dobierana empirycznie. W prostym przykładzie z nieuczciwym kasynem naturalne są dwa stany: uczciwa i nieuczciwa kostka. W innych zastosowaniach liczba stanów może odpowiadać liczbie reżimów, klas biologicznych, typów aktywności albo ukrytych faz procesu.
Do porównywania modeli o różnych liczbach stanów używa się między innymi walidacji krzyżowej, logarytmicznej wiarygodności na zbiorze testowym, AIC i BIC. Należy jednak uważać, ponieważ większa liczba stanów może poprawiać dopasowanie, ale jednocześnie utrudniać interpretację i zwiększać ryzyko przeuczenia.
Zastosowania Rozpoznawanie mowy Jednym z klasycznych zastosowań HMM-ów jest rozpoznawanie mowy. Ukryte stany mogą odpowiadać fonemom, fragmentom fonemów lub innym jednostkom akustycznym, natomiast obserwacjami są wektory cech wyznaczone z sygnału mowy.