模式識別(Pattern Recognition)是人類的一項基本智能，在日常生活中，人們經常在進行“模式識別”。隨著20世紀40年代計算機的出現以及50年代人工智能的興起，人們當然也希望能用計算機來代替或擴展人類的部分腦力勞動。(計算機)模式識別在20世紀60年代初迅速發展并成為一門新學科。

　　模式識別(Pattern Recognition)是指對表征事物或現象的各種形式的(數值的、文字的和邏輯關系的)信息進行處理和分析,以對事物或現象進行描述、辨認、分類和解釋的過程,是信息科學和人工智能的重要組成部分。模式識別又常稱作模式分類，從處理問題的性質和解決問題的方法等角度，模式識別分為有監督的分類（Supervised Classification）和無監督的分類(Unsupervised Classification)兩種。二者的主要差別在于，各實驗樣本所屬的類別是否預先已知。一般說來，有監督的分類往往需要提供大量已知類別的樣本，但在實際問題中，這是存在一定困難的，因此研究無監督的分類就變得十分有必要了。
　　模式還可分成抽象的和具體的兩種形式。前者如意識、思想、議論等,屬于概念識別研究的范疇,是人工智能的另一研究分支。我們所指的模式識別主要是對語音波形、地震波、心電圖、腦電圖、圖片、照片、文字、符號、生物傳感器等對象的具體模式進行辨識和分類。
　　模式識別研究主要集中在兩方面,一是研究生物體(包括人)是如何感知對象的，屬于認識科學的范疇,二是在給定的任務下,如何用計算機實現模式識別的理論和方法。前者是生理學家、心理學家、生物學家和神經生理學家的研究內容,后者通過數學家、信息學專家和計算機科學工作者近幾十年來的努力,已經取得了系統的研究成果。
　　應用計算機對一組事件或過程進行辨識和分類，所識別的事件或過程可以是文字、聲音、圖像等具體對象，也可以是狀態、程度等抽象對象。這些對象與數字形式的信息相區別，稱為模式信息。
　　模式識別所分類的類別數目由特定的識別問題決定。有時，開始時無法得知實際的類別數，需要識別系統反復觀測被識別對象以后確定。
　　模式識別與統計學、心理學、語言學、 計算機科學 、生物學、控制論等都有關系。它與 人工智能 、 圖像處理 的研究有交叉關系。例如自適應或自組織的模式識別系統包含了人工智能的學習機制；人工智能研究的景物理解、自然語言理解也包含模式識別問題。又如模式識別中的預處理和特征抽取環節應用圖像處理的技術；圖像處理中的圖像分析也應用模式識別的技術。
　一、模式識別方法
　　1、決策理論方法
　　又稱統計方法，是發展較早也比較成熟的一種方法。被識別對象首先數字化，變換為適于計算機處理的數字信息。一個模式常常要用很大的信息量來表示。許多模式識別系統在數字化環節之后還進行預處理，用于除去混入的干擾信息并減少某些變形和失真。隨后是進行特征抽取，即從數字化后或預處理后的輸入模式中抽取一組特征。所謂特征是選定的一種度量，它對于一般的變形和失真保持不變或幾乎不變，并且只含盡可能少的冗余信息。特征抽取過程將輸入模式從對象空間映射到特征空間。這時，模式可用特征空間中的一個點或一個特征矢量表示。這種映射不僅壓縮了信息量，而且易于分類。在決策理論方法中，特征抽取占有重要的地位，但尚無通用的理論指導，只能通過分析具體識別對象決定選取何種特征。特征抽取后可進行分類，即從特征空間再映射到決策空間。為此而引入鑒別函數，由特征矢量計算出相應于各類別的鑒別函數值，通過鑒別函數值的比較實行分類。
　　2、句法方法
　　又稱結構方法或語言學方法。其基本思想是把一個模式描述為較簡單的子模式的組合，子模式又可描述為更簡單的子模式的組合，最終得到一個樹形的結構描述，在底層的最簡單的子模式稱為模式基元。在句法方法中選取基元的問題相當于在決策理論方法中選取特征的問題。通常要求所選的基元能對模式提供一個緊湊的反映其結構關系的描述，又要易于用非句法方法加以抽取。顯然，基元本身不應該含有重要的結構信息。模式以一組基元和它們的組合關系來描述，稱為模式描述語句，這相當于在語言中，句子和短語用詞組合，詞用字符組合一樣。基元組合成模式的規則，由所謂語法來指定。一旦基元被鑒別，識別過程可通過句法分析進行，即分析給定的模式語句是否符合指定的語法，滿足某類語法的即被分入該類。
　　模式識別方法的選擇取決于問題的性質。如果被識別的對象極為復雜，而且包含豐富的結構信息，一般采用句法方法；被識別對象不很復雜或不含明顯的結構信息，一般采用決策理論方法。這兩種方法不能截然分開，在句法方法中，基元本身就是用決策理論方法抽取的。在應用中，將這兩種方法結合起來分別施加于不同的層次，常能收到較好的效果。
　　二、模式識別的應用
　　模式識別可用于文字和語音識別、遙感和醫學診斷等方面。
　　① 文字識別
　　漢字已有數千年的歷史，也是世界上使用人數最多的文字，對于中華民族燦爛文化的形成和發展有著不可磨滅的功勛。所以在信息技術及計算機技術日益普及的今天，如何將文字方便、快速地輸入到計算機中已成為影響人機接口效率的一個重要瓶頸，也關系到計算機能否真正在我過得到普及的應用。目前，漢字輸入主要分為人工鍵盤輸入和機器自動識別輸入兩種。其中人工鍵入速度慢而且勞動強度大；自動輸入又分為漢字識別輸入及語音識別輸入。從識別技術的難度來說，手寫體識別的難度高于印刷體識別，而在手寫體識別中，脫機手寫體的難度又遠遠超過了聯機手寫體識別。到目前為止，除了脫機手寫體數字的識別已有實際應用外，漢字等文字的脫機手寫體識別還處在實驗室階段。
　　②　語音識別
　　語音識別技術技術所涉及的領域包括：信號處理、模式識別、概率論和信息論、發聲機理和聽覺機理、人工智能等等。近年來，在生物識別技術領域中，聲紋識別技術以其獨特的方便性、經濟性和準確性等優勢受到世人矚目，并日益成為人們日常生活和工作中重要且普及的安驗證方式。而且利用基因算法訓練連續隱馬爾柯夫模型的語音識別方法現已成為語音識別的主流技術，該方法在語音識別時識別速度較快，也有較高的識別率。
　　③ 指紋識別
　　我們手掌及其手指、腳、腳趾內側表面的皮膚凹凸不平產生的紋路會形成各種各樣的圖案。而這些皮膚的紋路在圖案、斷點和交叉點上各不相同，是唯一的。依靠這種唯一性，就可以將一個人同他的指紋對應起來，通過比較他的指紋和預先保存的指紋進行比較，便可以驗證他的真實身份。一般的指紋分成有以下幾個大的類別:環型(loop),螺旋型(whorl),弓型(arch),這樣就可以將每個人的指紋分別歸類，進行檢索。指紋識別基本上可分成：預處理、特征選擇和模式分類幾個大的步驟。
　　③ 遙感
　　遙感圖像識別已廣泛用于農作物估產、資源勘察、氣象預報和軍事偵察等。
　　④　醫學診斷
　　在癌細胞檢測、X射線照片分析、血液化驗、染色體分析、心電圖診斷和腦電圖診斷等方面，模式識別已取得了成效。
　　三、統計模式識別
　　統計模式識別(statistic pattern recognition)的基本原理是：有相似性的樣本在模式空間中互相接近，并形成“集團”，即“物以類聚”。其分析方法是根據模式所測得的特征向量Xi=(xi1,xi2,…,xid)T(i=1,2,…,N)，將一個給定的模式歸入C個類ω1,ω2,…, ωc中，然后根據模式之間的距離函數來判別分類。其中，T表示轉置；N為樣本點數；d為樣本特征數。
　　統計模式識別的主要方法有：判別函數法，近鄰分類法，非線性映射法，特征分析法，主因子分析法等。
　　在統計模式識別中，貝葉斯決策規則從理論上解決了最優分類器的設計問題，但其實施卻必須首先解決更困難的概率密度估計問題。BP神經網絡直接從觀測數據(訓練樣本)學習，是更簡便有效的方法，因而獲得了廣泛的應用，但它是一種啟發式技術，缺乏指定工程實踐的堅實理論基礎。統計推斷理論研究所取得的突破性成果導致現代統計學習理論——VC理論的建立，該理論不僅在嚴格的數學基礎上圓滿地回答了人工神經網絡中出現的理論問題，而且導出了一種新的學習方法——支持向量機（SVM）。
　　四、模式識別技術的近乎無限的發展潛力
　　模式識別技術是人工智能的基礎技術，21世紀是智能化、信息化、計算化、網絡化的世紀，在這個以數字計算為特征的世紀里，作為人工智能技術基礎學科的模式識別技術，必將獲得巨大的發展空間。在國際上，各大權威研究機構，各大公司都紛紛開始將模式識別技術作為公司的戰略研發重點加以重視。
　　1、語音識別技術
　　語音識別技術正逐步成為信息技術中人機接口(Human Computer Interface, HCI)的關鍵技術，語音技術的應用已經成為一個具有競爭性的新興高技術產業。中國互聯網中心的市場預測：未來5年，中文語音技術領域將會有超過400億人民幣的市場容量,然后每年以超過30%的速度增長。
　　2、生物認證技術
　　生物認證技術(Biometrics)本世紀最受關注的安全認證技術，它的發展是大勢所趨。人們愿意忘掉所有的密碼、扔掉所有的磁卡，憑借自身的唯一性來標識身份與保密。國際數據集團（IDC）預測：作為未來的必然發展方向的移動電子商務基礎核心技術的生物識別技術在未來10年的時間里將達到100億美元的市場規模。
　　3、數字水印技術
　　90年代以來才在國際上開始發展起來的數字水印技術(Digital Watermarking)是最具發展潛力與優勢的數字媒體版權保護技術。IDC預測，數字水印技術在未來的5年內全球市場容量超過80億美元。
　　五、結 語
　　模式識別從20世紀20年代發展至今，人們的一種普遍看法是不存在對所有模式識別問題都適用的單一模型和解決識別問題的單一技術，我們現在擁有的只是一個工具袋，所要做的是結合具體問題把統計的和句法的識別結合起來，把統計模式識別或句法模式識別與人工智能中的啟發式搜索結合起來，把統計模式識別或句法模式識別與支持向量機的機器學習結合起來，把人工神經元網絡與各種已有技術以及人工智能中的專家系統、不確定推理方法結合起來，深入掌握各種工具的效能和應有的可能性，互相取長補短，開創模式識別應用的新局面。
　　對于識別二維模式的能力，存在各種理論解釋。模板說認為，我們所知的每一個模式，在長時記憶中都有一個相應的模板或微縮副本。模式識別就是與視覺刺激最合適的模板進行匹配。特征說認為，視覺刺激由各種特征組成，模式識別是比較呈現刺激的特征和儲存在長時記憶中的模式特征。特征說解釋了模式識別中的一些自下而上過程，但它不強調基于環境的信息和期待的自上而下加工。基于結構描述的理論可能比模板說或特征說更為合適。