最大间隔马尔可夫网（max-margin Markov networks），理学-计算机科学技术-人工智能-机器学习-概率图模型，一种将最大间隔准则扩展到图模型的理论和方法。一方面，它可以利用最大间隔准则以及核方法考虑复杂高维度的特征；另一方面，它利用网络（图）描述要预测的多个随机变量之间的相互依赖关系。简言之，它是将用于单个输出变量分类任务的支持向量机（SVM）扩展到有结构的输出预测（structured output prediction）任务中。例如，在自然语言句子的词性标注任务中，需要对句子中的每个单词预测词性标签，这些标签之间会存在上下文的依赖关系；在图像分割任务中，每个像素的预测标签也往往存在依赖关系（如相邻的像素更可能属于同一类）；在网页分类任务中，相互链接的网页之间的预测标签，也会存在依赖关系。这种依赖关系在经典的预测单个输出变量的SVM模型中是被忽略的。为此，最大间隔马尔可夫网应运而生，是由美国斯坦福大学的B.塔斯克尔（Ben Taskar）和他的博士导师D.科勒（Daphne Koller）于2003年提出的。