本书综合考虑了有监督和无监督模式识别的经典理论与实践以及当前的理论与实践，为专业技术人员和高校学生建立起了完整的基本知识体系。本书由模式识别领域的两位顶级专家合著，全面阐述了模式识别的基础理论、最新方法以及各种应用。每章的开始是基本原理介绍，然后是最新研究问题和关键技术讨论，最后是习题。

本书第三版的具体内容包括：贝叶斯分类、贝叶斯网络、线性和非线性分类器(包含神经网络和支持向量机)、动态规划和用于顺序数据的隐马尔可夫模型、特征生成(包含小波、主成分分析、独立成分分析和分形)、特征选择技术、自学习理论的基本概念、聚类概念和算法等。

模式识别是指对表征事物或现象的各种形式的信息进行处理和分析，以对事物或现象进行描述、辨认、分类和解释的过程。它是信息科学和人工智能的重要组成部分，主要应用领域是图像分析与处理、语音识别、声音分类、通信、计算机辅助诊断、数据挖掘等学科。本书在完美地结合当前的理论与实践的基础上，讨论了贝叶斯分类、贝叶斯网络、线性和非线性分类器设计、动态编程和用于顺序数据的隐马尔可夫模型、特征生成、特征选取技术、学习理论的基本概念以及聚类概念与算法。与前一版相比，主要更新了关于支持向量机和聚类算法的内容，重点研究了图像分析、语音识别和声音分类的特征生成。每章末均提供有习题与练习，且支持网站上提供有习题解答，以便于读者增加实际经验。

本书可作为高等院校自动化、计算机、电子和通信等专业研究生和高年级本科生的教材，也可作为计算机信息处理、自动控制等相关领域的工程技术人员的参考用书。

第1章 导论

1.1模式识别的重要性

1.2特征、特征向量和分类器

1.3有监督和无监督模式识别

1.4本书的内容安排

第2章 基于贝叶斯决策理论的分类器

2.1引言

2.2贝叶斯决策理论

2.3判别函数和决策面

2.4正态分布的贝叶斯分类

2.5未知概率密度函数的估计

2.6最近邻规则

2.7贝叶斯网络

习题

参考文献

第3章 线性分类器

3.1引言

3.2线性判别函数和决策超平面

3.3感知器算法

3.4最小二乘法

3.5均方估计的回顾

3.6逻辑识别

3.7支持向量机

习题

参考文献

第4章 非线性分类器

4.1引言

4.2异或问题

4.3两层感知器

4.4三层感知器

4.5基于训练集准确分类的算法

4.6反向传播算法

4.7反向传播算法的改进

4.8代价函数选择

4.9神经网络大小的选择

4.10仿真实例

4.11具有权值共享的网络

4.12线性分类器的推广

4.13线性二分法中z维空间的容量

4.14多项式分类器

4.15径向基函数网络

4.16通用逼近

4.17支持向量机：非线性情况

4.18决策树

4.19合并分类器

4.20合并分类器的增强法

4.21讨论

习题

参考文献

第5章 特征选择

5.1引言

5.2预处理

5.3基于统计假设检验的特征选择

5.4接收机操作特性ROC曲线

5.5类可分性测量

5.6特征子集的选择

5.7最优特征生成

5.8神经网络和特征生成/选择

5.9推广理论的提示

5.10贝叶斯信息准则

习题

参考文献

第6章 特征生成I：线性变换

6.1引言

6.2基本向量和图像

6.3Karhunen—loeve变换

6.4奇异值分解

6.5独立成分分析

6.6离散傅里叶变换(DFT)

6.7离散正弦和余弦变换

6.8Hadamard变换

6.9’Haar变换

6.10回顾Haar。展开式

6.11离散时间小波变换(DTWT)

6.12多分辨解释

6.13小波包

6.14二维推广简介

6.15应用

习题

参考文献

第7章 特征生成II

7.1引言

7.2区域特征

7.3字符形状和大小的特征

7.4分形概述

7.5语音和声音分类的典型特征

习题

参考文献

第8章 模板匹配

8.1引言

8.2基于最优路径搜索技术的测度

8.3基于相关的测度

8.4可变形的模板模型

习题

参考文献

第9章 上下文相关分类

9.1引言

9.2贝叶斯分类器

9.3马尔可夫链模型

9.4Viterbi算法

9.5信道均衡

9.6隐马尔可夫模型

9.7状态驻留的HMM

9.8用神经网络训练马尔可夫模型

9.9马尔可夫随机场的讨论

习题

参考文献

第10章 系统评价

10.1引言

10.2误差计算方法

10.3探讨有限数据集的大小

10.4.医学图像实例研究

习题

参考文献

第11章 聚类：基本概念

11.1引言

11.2近邻测度

习题

参考文献

第12章 聚类算法I：顺序算法

12.1引言

12.2聚类算法的种类

12.3顺序聚类算法

12.4BSAS的改进

12.5两个阈值的顺序方法

12.6改进阶段

12.7神经网络的实现

习题

参考文献

第13章 聚类算法II：层次算法

13.1引言

13.2合并算法

13.3Cophenetic矩阵

13.4分裂算法

13.5用于大数据集的层次算法

13.6最佳聚类数的选择

习题

参考文献

第14章 聚类算法III：基于函数最优方法

14.1引言

14.2混合分解方法

14.3模糊聚类算法

14.4可能性聚类

14.5硬聚类算法

14.6向量量化

附录

习题

参考文献

第15章 聚类算法IV

15.1引言

15.2基于图论的聚类算法

15.3竞争学习算法

15.4二值形态聚类算法

15.5边界检测算法

15.6谷点搜索聚类算法

15.7通过代价最优聚类(回顾)

15.8核聚类方法

15.9对大数据集的基于密度算法

15.10高维数据集的聚类算法

15.11其他聚类算法

习题

参考文献

第16章 聚类有效性

16.1引言

16.2假设检验回顾

16.3聚类有效性中的假设检验

16.4相关准则

16.5单独聚类有效性

16.6聚类趋势

习题

参考文献

附录A 概率论和统计学的相关知识

附录B 线性代数基础

附录C 代价函数的优化

附录D 线性系统理论的基本定义

索引