Kartmatching refererer til prosessen der en sekvens med posisjonsmålinger brukes til å estimere en sammenhengende rute på et veinettverk. Posisjonsmålinger som brukes til kartmatching er typisk innhentet ved hjelp av en GPS-enhet som befinner seg i et kjøretøy som beveger seg gjennom veinettverket. Formålet med denne avhandlingen er å utforske og evaluere flere forskjellige "skjult Markov modell"-formuleringer (SMM-formuleringer) som muliggjør kartmatching. Disse metodene krever kjennskap til det underliggende veinettverket. Dette veinettverket blir brukt til å konstruere et tilstandsrom hvor hver tilstand representerer et veisegment. Det sørges for at de SMM-baserte kartmatching-metodene overholder antagelsene i en SMM. Tilstandsestimatet man får fra Viterbi-algoritmen kan derfor anses som "den mest sannsynlige sekvensen av veisegmenter". Ett av bidragene i denne avhandlingen er kombineringen av idéer fra tidligere verker på en måte som tilfredsstiller antagelsene i en SMM. Et annet bidrag kommer gjennom introduksjonen av et tilstandsrom som, så vidt forfatteren vet, ikke har blitt brukt før. Denne utvidede tilstandsrom-formuleringen forstørrer tilstandsrommet ved å inkorporere tilleggselementer som blant annet inneholder informasjon om bevegelsesretningen. Bruken av Baum-Welch-algoritmen er også trolig et betydelig bidrag, siden den ikke har blitt brukt til dette spesifikke problemet tidligere. Eksperimentene som presenteres i denne avhandlingen er utført ved bruk av data fra simulert bevegelse på reelle veinettverk. Hovedformålet er å evaluere ytelsen til fire distinkte SMM-baserte metoder. En naiv sammenligningsmetode er også inkludert for å tilføre kontekst. Eksperimentene er delt inn i tre deler: et parametersøk som brukes til å identifisere gode parametervalg for overgangs- og emisjonssannsynlighetene, en del dedikert til estimering av overgangssannsynligheter og en del dedikert til prestasjonsevaluering. Kvaliteten på ruteestimatene blir vurdert ved hjelp av Hausdorff-avstanden på grunn av dens evne til å kvantifisere ruteestimatets grad av korrekthet. Resultatene fra eksperimentene viser at man oppnår en betydelig økning i prestasjon ved å gå fra det enkle til det utvidede tilstandsrommet. Dette er spesielt tydelig i situasjonen med høy samplingsfrekvens og lav varians, hvor man oppnår 90.7% reduksjon i Hausdorff-avstand når SMM-tilnærmelsen med utvidet tilstandsrom sammenlignes med tilnærmelsen hvor det enkle tilstandsrommet brukes.