1．模式识别的基本概念 一般认为，模式是通过对具体的事物进行观测所得到的具有时间与 空间分布的信息，模式所属类别或同一类中的模式的总体称为模式类， 其中个别具体的模式往往称为样本。模式识别就是研究通过计算机自动 (或人为进行少量干预)将待识别的模式分配到各个模式类中的技术[3] 模式识别的研究主要集中在两方面，一是研究生物体(包括人)是如 何感知对象的，二是在给定的任务下，如何用计算机实现模式识别的 理论和方法。后者通过数学家、信息学专家和计算机科学工作者近几 十年的努力，已经取得了系统的研究成果。
2．模式识别的主要方法 模式识别方法大致可以分为4类：统计决策法、结构模式识别方 法、模糊模式识别方法与基于人工智能方法。其中基于人工智能的方 法本文主要介绍人工神经网络模式识别方法。前两种方法发展得比较 早，理论相对也比较成熟，在早期的模式识别中应用较多。后两种方 法目前的应用较多，由于模糊方法更合乎逻辑、神经网络方法具有较 强的解决复杂模式识别能力，因此日益得到人们重视。
2.1 统计决策法 统计决策法以概率论和数理统计为基础，它包括参数方法和非参 数方法。 参数方法主要以Bayes决策准则为指导。其中最小错误率和最小风 险贝叶斯决策是最常用的两种决策方法。假定特征对于给定类的影响 独立于其他特征，在决策分类的类别N已知与各类别的先验概率及类条 件概率密度已知的情况下，对于一特征矢量X根据公式计算待检模式在 各类中发生的后验概率，后验概率最大的类别即为该模式所属类别。 在这样的条件下，模式识别问题转化为一个后验概率的计算问题。 在贝叶斯决策基础上，根据各种错误决策造成损失不同，人们提 出基于贝叶斯风险的决策，即计算给定特征矢量X在各种决策中的条件 风险大小，找出其中风险最小的决策。 参数估计方法的理论基础是样本数目趋近于无穷大时的渐进理 论。在样本数目很大时，参数估计结果才趋近于真实的模型。然而实 际样本数目总是有限的，很难满足这一要求。另外参数估计的另一个 前提条件是特征独立性，这一点有时和实际差别较大。
2.2 结构模式识别 结构模式识别是利用模式的结构描述与句法描述之间的相似性对模 式进行分类。每个模式由它的各个子部分(称为子模式或模式基元)的组合 来表示。对模式的识别常以句法分析的方式进行，即依据给定的一组句 法规则来剖析模式的结构。当模式中每一个基元被辨认后，识别过程就 可通过执行语法分析来实现。选择合适的基元是结构模式识别的关键。 结构模式识别主要用于文字识别、遥感图形的识别与分析、纹 理图像的分析中。该方法的特点是识别方便，能够反映模式的结构特 征，能描述模式的性质，对图像畸变的抗干扰能力较强。
2.3 模糊模式识别 模糊模式识别方法是利用模糊数学中的概念、原理与方法解决分 类识别问题. 这里有很多与普通聚类算法“平行”的方法,它们之间存 在某种程度的借鉴和相似,但又有很大的不同,两者之间根本性的不同是 概念的不同:模糊模式识别是将待识别类、对象作为模糊集或其元素, 然后对这些模糊集或元素进行分类;普通聚类算法是根据事物间的不同 特征、亲疏程度和相似性等关系,直接对它们进行分类. 因此,设计人员 应根据实际问题进行特征提取或特征变换(将原来普通意义上的特征值 变为模糊特征) ,建立模糊集的隶属度函数,或建立元素之间的模糊相似 关系,并确定这个关系的隶属度函数(相关程度) ,然后运用相关的模糊数 学的原理方法进行分类识别。同一般的模式识别方法相比较，模糊模 式识别具有客体信息表达更加合理，信息利用充分，各种算法简单灵 巧，识别稳定性好，推理能力强的特点。
2.4 人工神经网络模式识别 早在20世纪50年代，研究人员就开始模拟动物神经系统的某些 功能，他们采用软件或硬件的办法，建立了许多以大量处理单元为结 点，处理单元间实现互联的拓扑网络，进行模拟，称之为人工神经网 络。这种方法可以看作是对原始特征空间进行非线性变换，产生一个 新的样本空间，使得变换后的特征线性可分。同传统统计方法相比， 其分类器是与概率分布无关的。 人工神经网络的主要特点在于其具有信息处理的并行性、自组织 和自适应性、具有很强的学习能力和联想功能以及容错性能等，在解 决一些复杂的模式识别问题中显示出其独特的优势。 人工神经网络是一种复杂的非线性映射方法，其物理意义比较难 解释，在理论上还存在一系列亟待解决的问题。在算法复杂度方面， 神经网络计算复杂度大，在特征维数比较高时，样本训练时间比较 长；在算法稳定性方面，学习过程中容易陷入局部极小，并且存在欠 学习与过学习的现象范化能力不容易控制。这些也是制约人工神经网 络进一步发展的关键问题。