模式识别与分类的使用是当今许多自动化电子系统的基础。然而，尽管该领域已出版了许多名著，但该主题仍然非常具有挑战性，特别是对于初学者而言。
本书全面介绍了自动模式识别领域中所涉及到的核心概念。本书的构思适用于具有不同背景的新手，对图像、信号处理分析以及计算机视觉方面的研究人员和专业人员也非常有用。对于监督分类与非监督分类的基本概念本书以非公理化、非形式化的方式呈现出来，以便于读者能够快速地获得将基本概念应用于解决实际问题的必要背景知识。更高级的主题，如半监督分类、聚类算法与相关反馈的结合，将在本书的后半部章节中进行讨论。
本书适合大学本科生和研究生的“模式识别与机器学习”教学参考书或自学指导。

致谢
译者序
前言
第1章 引言
1.1 概述
1.2 分类
1.3 本书的组织结构
1.4 练习
参考文献
第2章 分类
2.1 分类过程
2.2 特征
2.3 训练与学习
2.4 监督学习与算法选择
2.5 分类方法
2.6 实例
2.6.1 按形状分类
2.6.2 按大小分类
2.6.3 更多的实例
2.6.4 字母的分类
2.7 练习
参考文献
第3章 非度量方法
3.1 引言
3.2 决策树分类器
3.2.1 信息、熵、扭曲度
3.2.2 信息增益
3.2.3 决策树存在的问题
3.2.4 优缺点
3.3 基于规则的分类器
3.4 其他方法
3.5 练习
参考文献
第4章 统计模式识别
4.1 测量数据与测量误差
4.2 概率论
4.2.1 简单概率论
4.2.2 条件概率和贝叶斯规则
4.2.3 朴素贝叶斯分类器
4.3 连续随机变量
4.3.1 多变量高斯分布
4.3.2 协方差矩阵
4.3.3 马氏距离
4.4 练习
参考文献
第5章 监督学习
5.1 参数与非参数学习
5.2 参数学习
5.2.1 贝叶斯决策理论
5.2.2 判别函数与决策边界
5.2.3 MAP（最大后验）估计量
5.3 练习
参考文献
第6章 非参数学习
6.1 直方图估计与Parzen窗口
6.2 kNN（k最近邻域）分类
6.3 人工神经网络
6.4 内核机
6.5 练习
参考文献
第7章 特征提取及选择
7.1 降维
7.1.1 预处理
7.2 特征选择
7.2.1 类内/类间距离
7.2.2 子集选择
7.3 特征提取
7.3.1 主成分分析法
7.3.2 线性判别分析
7.4 练习
参考文献
第8章 非监督式学习
8.1 聚类
8.2 kMeans聚类
8.2.1 模糊cMeans聚类
8.3 （聚合）层次聚类
8.4 练习
参考文献
第9章 评估和比较分类器
9.1 比较分类器和“没有免费午餐定理”
9.1.1 偏差和方差
9.2 交叉验证和重采样方法
9.2.1 Holdout方法
9.2.2 k重交叉验证
9.2.3 自助法
9.3 测量分类器的性能
9.4 比较分类器
9.4.1 ROC曲线
9.4.2 McNemar检验
9.4.3 其他统计检验
9.4.4 分类工具箱
9.5 组合分类器
参考文献
第10章 项目
10.1 视网膜弯曲度作为疾病的指示器
10.2 纹理分割
10.3 生物特征识别系统
10.3.1 指纹识别
10.3.2 面相识别
参考文献