概率图模型是用图来表示变量概率依赖关系的理论，通过整合概率论和图论的只是，并利用图来表示相关的变量联合概率分布。
概率图模型理论分为以下三种：
- 概率图模型表示理论
- 概率图模型推理理论
- 概率图模型学习理论
概率图模型的基本问题
- 表示问题：对于一个概率模型，怎么通过图结构来描述变量之间的依赖关系；
- 推断问题：在已知部分变量，计算其它变量的后验概率分布；
- 学习问题：图模型学习包括图结构的学习和参数的学习。
概率图模型的分类
根据边有无方向性分类：
- 有向图模型，也称为贝叶斯网（BayesianNetwork，BN），其网络结构使用有向无环图；
- 无向图模型，也称为马尔可夫网（MarkovNetwork，MN），其网络结构为无向图；
- 局部有向模型，即同时存在有向边和无向边的模型，包括条件随机场（Conditional Random Field，CRF）和链图（ChainGraph）。
根据表示的抽象级别不同分类：
- 基于随机变量的概率图模型，如贝叶斯网、马尔可夫网、条件随机场和链图等；
- 基于模板的概率图模型．这类模型根据应用场景不同又可分为两种：
- 暂态模型，包括动态贝叶斯网和状态观测模型，其中状态观测模型又包括线性动态系统和隐马尔可夫模型；
- 对象关系领域的概率图模型，包括盘模型、概率关系模型和关系马尔可夫网。
子级词：贝叶斯网络、马尔可夫随机场