条件随机场（Conditional Random Field，简称CRF）是一种判别式无向图模型，我们都知道，生成式模型直接对联合分布进行建模，而判别式模型则是对条件分布进行建模，马尔可夫随机场是生成式模型，而条件随机场是判别式模型。
条件随机场试图对多个变量在给定观测值后的条件概率进行建模，具体来说，若给定观测序列x，以及标记序列y，条件随机场的目的就是构建条件概率模型p(y|x),需注意的是，标记变量y可以是结构型变量，即其分量之间具有某种相关性，例如在自然语言的词性标注任务中，观测数据为语句（即单词序列）。标记为相应的词性序列，具有线性序列结构，如下图所示，输出为树形结构的语法树：
我们根据马尔可夫性，有如下的关系：
理论上说，图G可以有任意的结构，只要能表示标记变量之间的条件独立性关系即可。但在实际应用中，尤其对标记序列建模时，最常用的是下图所示的链式结构，即“链式条件随机场”，这也是我们用到最多的条件随机场类型：
与马尔可夫随机场类似，条件随机场使用势函数和图结构上的团来定义条件概率P(y|x),给定观测序列x，链式条件随机场主要包含两种关于标记变量的团，即单个标记变量yi，以及相邻的标记变量{yi-1,yi},选择合适的势函数，可以得到下面的条件概率定义，在条件随机场中，通过选用指数势函数并引入特征函数，条件概率被定义为：
