مدل های گرافی احتمالی چارچوبی قدرتمند برای بازنمایی توزیع های احتمالاتی با تعداد متغیرهای زیاد را فراهم می کنند. یکی از مسائل چالش برانگیز در حوزه ی بازشناسی الگو، مسئله ی برچسب زنی دنباله ای از مشاهدات است. در این مسئله هدف آن است که با فراهم بودن مشاهدات مربوط به گام های زمانی/فضایی پشت سرهم، برچسب مربوط به کل دنباله یا برچسب مربوط به هر کدام از گام های زمانی/فضایی تخمین زده شود. از جمله کاربردهای این مسئله می توان به تعیین نوع موجودیت یا نقش کلمات در یک متن، تشخیص حروف دست نوشته، بازشناسی گفتار، تخمین ساختار پروتئین و بازشناسی اعمال انسان اشاره کرد. تا کنون مدل های گرافی احتمالی گوناگونی برای این مسئله ها پیشنهاد شده است. مدل نهان مارکوف، میدان تصادفی شرطی و میدان عصبی شرطی نمونه هایی از این مدل ها هستند. در مدل های مبتنی بر میدان تصادفی شرطی، متغیرهای خروجی بر اساس ترکیب خطی از مشاهدات مدل می شوند. با این وجود، معمولا در عمل رابطه ی بین متغیرهای ورودی و خروجی رابطه ای به شدت غیر خطی است. برای رفع این مشکل، در این پایان-نامه یک مدل گرافی احتمالی از نوع میدان تصادفی شرطی نهان ارائه شده که در آن رابطه ی بین مشاهدات و متغیرهای نهان/خروجی به واسطه ی یک سیستم استنتاج عصبی-فازی تطبیق پذیر از نوع سوگنو برقرار شده، که قدرت بسیار زیادی در مدل سازی توابع غیرخطی دارد. مدل پیشنهادی در کاربرد بازشناسی اعمال انسان از دنباله ی تصاویر عمق به کار گرفته شده و نتایج قابل توجهی نسبت به مدل های مشابه حاصل شده است.