本书的第1版《模式分类与场景分析》出版于1973年，是模式识别和场景分析领域奠基性的经典名著。在第2版中，除了保留了第1版的关于统计模式识别和结构模式识别的主要内容以外，读者将会发现新增了许多近25年来的新理论和新方法，其中包括神经网络、机器学习、数据挖掘、进化计算、不变量理论、隐马尔可夫模型、统计学习理论和支持向量机等。作者还为未来25年的模式识别的发展指明了方向。书中包含许多实例，各种不同方法的对比，丰富的图表，以及大量的课后习题和计算机练习。本书作为流行和经典的教材，主要面向电子工程、计算机科学、数学和统计学、媒体处理、模式识别、计算机视觉、人工智能和认知科学等领域的研究生和高年级本科生，也可作为相关领域科技人员的重要参考书。

译者序
前言
第1章 绪论
1.1 机器感知
1.2 一个例子
1.3 模式识别系统
1.3.1 传感器
1.3.2 分割和组织
1.3.3 特征提取
1.3.4 分类器
1.3.5 后处理
1.4 设计循环
1.4.1 数据采集
1.4.2 特征选择
1.4.3 模型选择
1.4.4 训练
1.4.5 评价
1.4.6 计算复杂度
1.5 学习和适应
1.5.1 有监督学习
1.5.2 无监督学习
1.5.3 强化学习
本章小结
全书各章概要
文献和历史评述
参考文献
第2章 贝叶斯决策论
2.1 引言
2.2 贝叶斯决策论——连续特征
2.3 最小误差率分类
*2.3.1 极小化极大准则
*2.3.2 NeymanPearson准则
2.4 分类器、判别函数及判定面
2.4.1 多类情况
2.4.2 两类情况
2.5 正态密度
2.5.1 单变量密度函数
2.5.2 多元密度函数
2.6 正态分布的判别函数
2.6.1 情况1：Σi=σ2I
2.6.2 情况2：Σi=Σ
2.6.3 情况3：Σi=任意
*2.7 误差概率和误差积分
*2.8 正态密度的误差上界
2.8.1 Chernoff界
2.8.2 Bhattacharyya界
2.8.3 信号检测理论和操作特性
2.9 贝叶斯决策论——离散特征
2.9.1 独立的二值特征
*2.10 丢失特征和噪声特征
2.10.1 丢失特征
2.10.2 噪声特征
*2.11 贝叶斯置信网
*2.12 复合贝叶斯决策论及上下文
本章小结
文献和历史评述
习题
上机练习
参考文献
第3章 最大似然估计和贝叶斯参数估计
3.1 引言
3.2 最大似然估计
3.2.1 基本原理
3.2.2 高斯情况：μ未知
3.2.3 高斯情况：μ和Σ均未知
3.2.4 估计的偏差
3.3 贝叶斯估计
3.3.1 类条件密度
3.3.2 参数的分布
……
第4章 非参数技术
第5章 线性判别函数
第6章 多层神经网络
第7章 随机方法
第8章 非度量方法
第9章 独立于算法的机器学习
第10章 无监督学习和聚类
附录A 数学基础
索引