《模式识别》系统阐述了模式识别的原理与方法，并在此基础上介绍了模式识别的应用。全书分为：基础部分和应用部分：基础部分主要包括统计模式识别、模糊模式识别、神经网络模式识别等内容；应用部分有车牌识别和语音识别。《模式识别》将理论与实践相结合，有利于读者加深对理论方法的理解，可使读者比较系统地掌握模式识别的理论和相关技术。书中给出的两个应用实例，为读者应用模式识别方法来解决实际问题提供了具体思路和方法。附录给出的习题解答，有利于学生学习理解原理与方法。<br>    《模式识别》可以作为高等院校自动化、计算机、生物医学工程等学科本科生、研究生的教材或教学参考书，亦可供有关工程技术人员参考。

第1章 绪论<br>1.1 模式和模式识别的概念<br>1.2 模式识别的研究方法<br>1.2.1 识别方法<br>1.2.2 模式识别系统的组成<br>1.3 模式识别的应用<br>参考文献<br>第2章 贝叶斯决策理论<br>2.1 基于最小错误率的贝叶斯判别法<br>2.2 基于贝叶斯公式的几种判别规则<br>2.2.1 基于最小风险的贝叶斯决策<br>2.2.2 最小最大决策<br>2.3 正态分布模式的统计决策<br>2.3.1 正态分布概率密度函数的定义及性质<br>2.3.2 多元正态概率模型的贝叶斯判别函数<br>2.4 概率密度函数的估计<br>2.4.1 最大似然估计<br>2.4.2 贝叶斯估计<br>2.5 离散情况的贝叶斯决策<br>2.6 贝叶斯分类器的错误率<br>习题2<br>参考文献<br>第3章 线性判别函数<br>3.1 线性判别函数<br>3.2 广义线性判别函数<br>3.3 感知器算法<br>3.3.1 基于赏罚概念的感知器训练算法<br>3.3.2 梯度下降法<br>3.4 最小平方误差准则函数<br>3.5 多类问题<br>3.5.1 多类问题的基本概念<br>3.5.2 决策树简介<br>3.6 Fisher线性判别函数<br>习题3<br>参考文献<br>第4章 模式特征提取与选择<br>4.1 离散K-L变换<br>4.1.1 离散K-L展开式<br>4.1.2 基于K-L变换的数据压缩<br>4.1.3 基于K_L变换的特征提取<br>4.2 离散傅里叶变换<br>4.2.1 一维离散傅里叶变换<br>4.2.2 二维离散傅里叶变换<br>4.3 离散余弦和正弦变换<br>4.3.1 余弦变换<br>4.3.2 正弦变换<br>4.4 Hadamard变换<br>4.5 Haar变换<br>4.6 小波变换<br>4.6.1 连续小波变换<br>4.6.2 离散小波变换<br>4.6.3 多分辨率分析<br>4.6.4 正交小波包<br>习题4<br>参考文献<br>第5章 聚类分析<br>5.1 相似性测度和聚类准则<br>5.1.1 相似性测度<br>5.1.2 聚类准则<br>5.2 聚类算法<br>5.2.1 聚类算法的分类<br>5.2.2 层次聚类算法<br>5.2.3 K均值算法<br>5.2.4 核聚类<br>5.2.5 ISODATA算法<br>5.3 聚类有效性<br>习题5<br>参考文献<br>第6章 人工神经网络<br>6.1 人工神经网络的构成<br>……<br>第7章 支持向量机 <br>第8章 核函数方法及应用 <br>第9章 模糊模式识别 <br>第10章 模式识别应用 <br>参考文献 <br>附录A 鸢尾属植物样本数据（Iris Data） <br>附录B 习题解答