条件随机场（conditional random field，简称 CRF），是一种鉴别式机率模型，是随机场的一种，常用于标注或分析序列资料，如自然语言文字或是生物序列。

如同马尔可夫随机场，条件随机场为无向性之图模型，顶点代表随机变量，顶点间的连线代表随机变量间的相依关系，在条件随机场当中，随机变量 Y 的分布为条件机率，给定的观察值则为随机变量 X。原则上，条件随机场的图模型布局是可以任意给定的，一般常用的布局是链结式的架构，链结式架构不论在训练（training）、推论（inference）、或是解码（decoding）上，都存在有效率的算法可供演算。

条件随机场跟隐藏式马可夫模型常被一起提及，条件随机场对于输入和输出的机率分布，没有如隐藏式马可夫模型那般强烈的假设存在。

随机场（Random field）定义如下：

在概率论中，由样本空间Ω = {0, 1, ...,G−1}取样构成的随机变量Xi所组成的S= {X1, ...,Xn}。若对所有的ω∈Ω下式均成立，则称π为一个随机场。

一些已有的随机场如：马尔可夫随机场（MRF），吉布斯随机场（GRF），条件随机场（CRF），和高斯随机场。

马尔可夫网络，（马尔可夫随机场、无向图模型）是关于一组有马尔可夫性质随机变量的全联合概率分布模型。

马尔可夫网络类似贝叶斯网络用于表示依赖关系。但是，一方面它可以表示贝叶斯网络无法表示的一些依赖关系，如循环依赖；另一方面，它不能表示贝叶斯网络能够表示的某些关系，如推导关系。马尔可夫网络的原型是易辛模型，最初是用来说明该模型的基本假设。

一个马尔可夫网络的重要变体是条件随机场，每个随机变量可以条件依赖于一组全局的观察。这个模型中，每个函数是从指派值到团k和从观察到非负实数的映射。这样的马尔可夫网络更适于不对观察建立分布模型的区分性模型，不是生成性模型。

隐马尔可夫模型（Hidden Markov Model，HMM）是统计模型，它用来描述一个含有隐含未知参数的马尔可夫过程。其难点是从可观察的参数中确定该过程的隐含参数。然后利用这些参数来作进一步的分析，例如模式识别。

在正常的马尔可夫模型中，状态对于观察者来说是直接可见的。这样状态的转换概率便是全部的参数。而在隐马尔可夫模型中,状态并不是直接可见的，但受状态影响的某些变量则是可见的。每一个状态在可能输出的符号上都有一概率分布。因此输出符号的序列能够透露出状态序列的一些信息。