语言模型是自然语言处理问题中一类最基本的问题，一门语言中所有可能的句子服从某一个概率分布， 每个句子出现的概率加起来为1 ，那么“语言模型”的任务就是预测每个句子在语言中出现的概率。对于语言中常见的句子， 一个好的语言模型应得出相对较高的概率：而对于不合语法的句子，计算出的概率则应接近于零。
把句子看成单词的序列， 语言模型可以表示为一个计算
的模型。语言模型仅仅对句子出现的概率进行建模， 并不尝试去“理解”句子的内容含义。比如说，语言模型能告诉我们什么样的句子是常用句子，但无法告诉我们两句话的意思是否相似或者相反。
自然语言文本的应用都依赖语言模型来优化输出文本的流畅性。生成的句子在语言模型中的概率越高，说明其越有可能是一个流畅、自然的句子。例如在输入法中，假设输入的拼音串为“ xianzaiquna ”，输出可能是“西安在去哪 "'也可能是“现在去哪’，这时输入法就利用语言模型比较两个输出的概率，得出“现在去哪”更有可能是用户所需要的输出。在统计机器翻译的噪声信道模型（ Noisy Channel Model) 中，每个候选翻译的概率由一个翻译模型和一个语言模型共同决定，其中的语言模型就起到了在目标语言中挑选较为合理的句子的作用。
那么如何计算一个句子的概率呢？首先一个句子可以被看成是一个单词序列：
，
那么m为句子长度。则该句子的概率为
其中
表示一直钱m-1个单词时，第m个单词为
的概率。如果能对这一项建模，那么只要把每个位置的条件概率相乘，就能计算一个句子出现的概率。 任何一门语言的词汇量都很大，词汇的组合更是不计其数。假设一门语言的词汇量为V ，如果要将
的所有参数保存在一个模型里，将需要
个参数， 一般的句子长度远远超出了实际可行的范围。为了估计这些参数的取值，常见的方法有n-gram 模型、决策树、最大；脑模型、条件随机场、神经网络语言模型等。
