Presentamos modelos ocultos de pila abstracta de Markov (HASMMs) con su proceso de aprendizaje. Los HASMMs que ofrecemos tienen la naturaleza más expresiva de las gramáticas libres de contexto probabilísticas (PCFGs) al tiempo que permiten un ajuste de parámetros más rápido de los modelos ocultos de Markov (HMMs). Tanto los HMMs como los PCFGs son modelos estructurados ampliamente utilizados, que ofrecen un formalismo efectivo capaz de describir diversos fenómenos. Los PCFGs se adaptan mejor que los HMMs, por ejemplo, para expresar el procesamiento del lenguaje natural; sin embargo, los HMMs superan a los PCFGs en el ajuste de parámetros. Ampliamos los HMMs hacia los PCFGs para tales aplicaciones, asociando cada estado de un HMM con una pila abstracta, que puede considerarse como el alfabeto de una sola pila de autómatas de pila (PDA). Como resultado, aprovechamos las capacidades expresivas de los PCFGs para tales aplicaciones al tiempo que mitigamos la complejidad cúbica del aprendizaje de parámetros en la longitud de la secuencia de observación de los PCFGs al adoptar la complejidad bilineal de los HMMs.