首先是训练，HMM的训练只是对有标签的数据进行了统计处理。
1. StatusSet为状态矩阵，状态值集合为(B, M, E, S): {B:begin, M:middle, E:end, S:single}。
2. 统计每个句子的开头的BMES的概率是多少，这样就得到初始矩阵InitStatus，就好比有100个句子，其中第一个字是B的个数为30，M的个数为0，E的个数为0，S的个数为70，那么InitStatus={B:0.3, M:0, E:0, S:0.7}。用IS表示。
3. ObservedSet，统计所有的汉字，甚至包括标点符号，这个矩阵里面是保存每个汉字是BMES的概率值，假设有1000个字，那么ObservedSet就是一个4*1000矩阵。用OS表示。
4. TransProbMatrix是一个4*4的矩阵，为BEMS到BEMS的转移概率矩阵，简单点来说，就是当前是B，那么下一个字是BEMS的概率是多少，（显然BB=0，BS=0(因为begin的下个字不可能是begin和single，只可能是middle或者end)，BE,BM不一定）。用TP表示。
统计之后就是使用过程：
1. 首先我们处理句子的首个汉字，我们利用二维矩阵V表示相应概率，假设第一个字为“中”，BMES中的概率分别为0.6,0.2,0.1,0.1。
V[0][B] = IS[B] * OS[B][中] = 0.3*0.6 = 0.18
V[0][M] = IS[M] * OS[M][中] = 0
V[0][E] = IS[E] * OS[E][中] = 0
V[0][S] = IS[S] * OS[S][中] = 0.7*0.1 = 0.07
2. 假设第二个为华，BMES中的概率分别为0.1,0.2,0.4,0.3。TransProbMatrix就不初始化了。
首先计算“华”为B的概率，那么我们要统计的是从上一步V中四个状态中到达B的最大概率，如max（P(B->B),P(M->B),P(E- >B),P(S->B))
P(B->B) = V[0][B] * TP[B][B] * OS[B][华]
P(M->B) = V[0][M] * TP[B][M] * OS[M][华]
P(E->B) = V[0][E] * TP[B][E] * OS[E][华]
P(S->B) = V[0][S] * TP[B][S] * OS[S][华]
这样求出来的即为上述步骤到下一步为B的最大概率，同理计算下一步为MES的最大概率。（1）中计算ME都为0，那么我们可以知道第二步中，P(B->B)=0,所以只能保存到达B的最大概率路径S->B；同理如果P(B->M) > P(S->M)，则为B->M;如果P(B->E) >P(S->E)，则为B->E;如果P(B->S) < P(S->S)，则为S->S;所以四种路径为：
S->B
B->M
B->E
S->S
3. 我们计算了第二个字了，再计算第三个字"的"，与第(2)步一样，例如计算到B，我们分别计算max(P(S->B->B),P(B->M->B),P(B->E->B),P(S->S->B))中的最大值，
P(S->B->B) = V[1][B] * TP[B][B] * OS[B][的]
P(B->M->B) = V[1][M] * TP[M][B] * OSB][的]
P(B->E->B) = = V[1][E] * TP[E][B] * OS[B][的]
P(S->S->B) = = V[1][S] * TP[S][B] * OS[B][的]
同理再计算MES的即可。仍旧保留四个路径。
4. 最后统计V中最后一行元素BMES中的最大值，那么相对应路径即为分词结果。