一、 绪论
1、 模式识别的本质是分类：识别与认知的区别和联系；
2、 模式识别的依据是相似性；
3、 模式识别的两大问题：学习（训练）和分类（识别）；
二、 基本概念
1、 样本、模式和类； 2、 特征及特征空间；
3、 有监督模式识别和无监督模式识别； 4、 模式识别系统的组成； 5、 紧致性要求：
三、 判别函数
1、 决策区域和判别函数；
2、 线性判别函数的形式和使用：两类情况，多类情况；
3、 广义线性判别函数：概念和简单的线性化；
四、 统计模式识别：
1、 统计模式识别的概念：什么是统计模式识别？确定性和随机性统计模式识别的区别；
2、 线性分类器的设计：基本思路，感知器算法，
3、 贝叶斯分类器的原理：贝叶斯公式及其意义，先验概率、后验概率和类条件概率密度，贝叶斯分类的原理，
4、 贝叶斯分类算法：最小错误率贝叶斯分类，最小风险贝叶斯分类（损失、获利的计算）
5、 贝叶斯分类器设计的原理：基本思路（估计先验概率和类条件概率密度），最大似然估计和贝叶斯估计，
6、 贝叶斯分类的错误率计算方法；
7、 正态分布条件下贝叶斯分类的特点：判别函数、决策区域和决策面，最小错误率
五、 数据聚类：
1、 定义和特点：无监督学习，聚类结果多样化，
2、 相似度的度量：样本间相似度，类间相
似度；
3、 聚类准则：紧致性准则，误差平方和准则；
4、 基于试探的聚类算法：最近邻规则算法，最大最小距离算法，
5、 层次聚类算法：基本思路，融合算法和分解算法各自的步骤、计算量；
6、 动态聚类算法：基本思路，k－均值算法的具体计算，ISODATA算法的原理，最优分类数的确定方法；
六、 特征提取和特征选择 1、 特征生成的目：降维、提高特征有效性； 2、 特征生成的方法：特征提取和特征选择，两者的特点、联系和区别；
3、 类别可分性准则函数：选取原则和构造方法，类内类间距离，概率距离，
4、 特征提取：使用类内类间距离进行特征提取的方法（J2准则）；
5、 特征选择：算法，最优算法（穷举法、分支定界法），次优算法，
七、 模糊模式识别
1、 模糊集合的基本概念：隶属度函数，模糊子集（包括表示方法），α水平截集，模糊关系（模糊矩阵），模糊矩阵的运算， 2、 模糊模式识别算法：最大隶属度算法，择近原则算法（贴近度的概念和计算）； 3、 模糊聚类：模糊等价关系的概念和验证，等价关系定理，利用等价关系定理完成层次聚类；
4、 模糊k-均值算法的具体计算；
八、 句法模式识别：
1、 结构模式识别：基元的概念，结构模式识别的概念；
2、 句法模式识别的概念：定义，句法和文法的概念（特点和相互联系），句法模式识别系统的组成，句法分析和文法推断 3、 形式语言理论：基本概念，4种类型文法的定义、特点；
4、 句法分析算法：基本思路，状态图法，填充树法，
