本文建立了GFHMM与概率理论框架下的IOHMM(Input/OutputHiddenMarkovModel)间的部分统一性。从IOHMM的角度出发，可以较容易对GFHMM进行扩充，使传统解决方法与GFHMM所采用的方法结合起来，充分利用二者的优点。 本文还利用HMM的状态层信息来改进HMM。因目前大多数HMM应用都是根据经验事先指定HMM的拓扑结构，其每一个状态都代表一定的实际意义。通常的识别方法选取使观测矢量序列具有最大似然值的模型作为识别结果的模型，这种方法并没有考虑在给定拓扑结构下每个状态的意义。 本文还研究了一类特特殊的序列数据建模问题。在实际中，很多观测到的数据由多种原因或是多个因素产生的数据混合而成的，本文提出了用因子化高斯混合来取代高斯混合作为HMM输出密度函数，对其初始化方法，参数估计方法进行了讨论。该方法有参数少、能够反映数据产生原因的特点。仿真实验显示因子化高斯混合HMM能够对由多个因素产生的序列数据更为恰当的建模，将其应用于语音识别中，可以减轻由于训练数据不足而导致的过匹配问题。