马尔科夫链和随机过程是一种类型的Markov过程可以采取状态离散的（有限或可数指）酮（离散状态Markov过程）。特别地，时间通常是离散的（时间用下标表示）（还有一个连续的时间马尔可夫过程，这是时间连续的）。在马尔可夫链中，未来行为仅由当前值确定，与过去的行为无关（马尔可夫属性）。关于每次发生的状态变化（过渡或过渡），马尔可夫链是一个序列，其中过渡概率仅基于当前状态，而不基于过去状态。

马尔可夫系统经常出现在物理学中，尤其是统计力学。在这里，使用 随机过程是因为当假定力学随时间不变并且不需要考虑历史时，细节是未知的或无法建模的。

马尔可夫链还用于排队理论和统计中的建模。

香农是信息论是纸“通信的数学理论”（的始发通信的数学理论中），使用马尔可夫链熵已经引进的概念。此外，这种方法被应用于数据压缩和模式识别。

马尔可夫链在强化学习中也很重要。

Google使用的PageRank也由马尔可夫链定义。

如果转换概率最初未知，必须从数据中估算出来，则使用隐马尔可夫模型，该模型也广泛用于语音识别和生物信息学（例如从碱基序列中搜索基因）。