یکی از مسائلی که در پردازش سیگنال توجهات را به خود معطوف نموده است، مدل سازی سیگنال است. انتخاب های مختلفی برای مدل کردن سیگنال و خصوصیات آن وجود دارد. از یک دیدگاه می توان مدل های سیگنال را به دو دسته مدل های معین و مدل های آماری تقسیم بندی نمود. مدل های معین عمدتا برخی خواص شناخته شده سیگنال را مورد استفاده قرار می دهند. در این حالت تشکیل مدل سیگنال سر راست است و تنها کافی است مقادیر پارامترهای مدل تخمین زده شود. در مدل های آماری سعی در ایجاد مدل با استفاده از خواص آماری سیگنال است. مدل های گوسی، زنجیره مارکوف و مدل مخفی مارکوف از جمله این روش ها هستند. مدل های مخفی مارکوف چند متغیره گوسی با تعدادی مجهول از وضعیت ها مرتبط است در این جا آنالیز و الگوریتم های مونت کارلو زنجیره مارکوف بازگشت پذیر موثر جدیدی را برای برآورد پارامتر های مجهول از مدل ارائه می شود مدل های مخفی مارکوف یک بسط از مدل های ترکیب که در سری های زمانی می توانند بکار روند هستند. بنابراین مشاهدات در یک تعداد از گروه ها طبقه بندی می شوند. در مدل سازی ما توجه خود را معطوف به دنباله ی مشاهدات کرده و به دنبال بهترین ابزار برای تولید مجدد داده های اصلی می گردیم تا دنباله مناسب با مقدار واقعی بدست آید. و در پیش بینی ما به دنبال این هستیم که چه اتفاقی می افتد اگر ما وضعیت کنونی و حال را برای آینده در نظر بگیریم تا احتمال توزیع برای رسیدن به مقادیر آتی را بیابیم.