本书是日本人工智能领域的畅销书，作者均为模式识别领域的知名学者，并基于他们多年的研究、实践经验和独特的视角，从模式识别的基本概念开始，以通俗易懂的语言介绍了机器学习、识别函数设计、特征的评价、特征空间的变换、子空间法、最小二乘法等常用的模式识别基础知识和算法，精心设计的习题能帮助读者进一步深入理解模式识别理论。在心得栏目里提供了作者在实际研究中一些很有价值的思考。本书内容深入浅出且具有新意，适合对模式识别感兴趣的初学者阅读，对领域内资深研究者也有一定的参考意义。

前言
初版前言
符号一览表
第1章 模式识别概述
1.1 模式识别系统的构成
1.2 特征向量与特征空间
1.3 原型与最近邻规则
习题
第2章 学习与识别函数
2.1 学习的必要性
2.2 最近邻规则和线性识别函数
2.3 感知器的学习规则
2.4 感知器的学习实验
2.5 分段线性识别函数
习题
第3章 基于误差评价的学习
3.1 平方误差最小化学习
3.2 误差评价与感知器
3.3 神经网络与误差反向传播法
3.4 3层神经网络实验
3.5 中间层功能的确认实验
习题
第4章 识别单元的设计
4.1 参数学习与非参数学习
4.2 参数的估计
4.3 识别函数的设计
4.4 特征空间的维度和学习模式数
4.5 识别单元的最优化
习题
第5章 特征评价与贝叶斯误差
5.1 评价特征
5.2 类间方差与类内方差的比
5.3 贝叶斯误差
5.4 贝叶斯误差与最近邻规则
5.5 贝叶斯误差估计法
5.6 特征评价的实验
习题
第6章 特征空间的变换
6.1 特征选择与特征空间的变换
6.2 特征量的归一化
6.3 KL展开
6.4 线性判别法
6.5 KL展开的适用法
习题
第7章 子空间法
7.1 子空间法的基础
7.2 CLAFIC法
7.3 子空间法和相似度法
7.4 正交子空间法
7.5 学习子空间法
习题
第8章 学习算法的一般化
8.1 期望损失最小化学习
8.2 各种损失
8.3 概率下降法
习题
第9章 学习算法与贝叶斯决策规则
9.1 基于最小二乘法的学习
9.2 最小二乘法和各种学习法
习题
附录
结语
参考文献