●第1章緒論
1.1模式和模式識別的概念
1.2模式識別繫統
1.2.1 簡例
1.2.2模式識別繫統組成
1.3模式識別概況
1.3.1模式識別發展簡介
1.3.2模式識別分類
1.4模式識別的應用
第2章聚類分析
2.1距離聚類的概念
2.2相似性測度和聚類準則
2.2.1相似性測度
2.2.2聚類準則
2.3基於距離閾值的聚類算法
2.3.1近鄰聚類法
2.3.2優選最小距離算法
2.4層次聚類法
2.5動態聚類法
2.5.1K-均值算法
2.5.2迭代自組織的數據分析算法
2.6聚類結果的評價
習題
第3章判別函數及幾何分類法
3.1判別函數
3.2線性判別函數
3.2.1線性判別函數的一般形式
3.2.2線性判別函數的性質
3.3廣義線性判別函數
3.4線性判別函數的幾何性質
3.4.1模式空間與超平面
3.4.2權空間與權向量解
3.4.3二分法
3.5感知器算法
3.6梯度法
3.6.1梯度法基本原理
3.6.2固定增量算法
3.7最小平方誤差算法
3.8非線性判別函數
3.8.1分段線性判別函數
3.8.2分段線性判別函數的學習方法
3.8.3勢函數法
習題
第4章基於統計決策的概率分類法
4.1研究對像及相關概率
4.2貝葉斯決策
4.2.1最小錯誤率貝葉斯決策
4.2.2最小風險貝葉斯決策
4.2.3正態分布模式的貝葉斯決策
4.3貝葉斯分類器的錯誤率
4.3.1錯誤率的概念
4.3.2錯誤率分析
4.3.3正態分布貝葉斯決策的錯誤率計算
4.3.4錯誤率的估計
4.4聶曼·皮爾遜決策
4.5概率密度函數的參數估計
4.5.1優選似然估計
4.5.2貝葉斯估計與貝葉斯學習
4.6概率密度函數的非參數估計
4.6.1非參數估計的基本方法
4.6.2Parzen窗法
……
第5章特征選擇與特征提取
第6章句法模式識別
第7章模糊模式識別法
第8章神經網絡模式識別法
附錄A 向量和矩陣運算
附錄B標準正態分布表及概率計算
附錄C計算機作業所用樣本數據
參考文獻

本書按照統計模式識別、句法模式識別、模糊模式識別法和神經網絡模式識別法四大理論體繫組織全書，其中統計模式識別是模式識別的經典內容和基礎知識，模糊模式識別法和神經網絡模式識別法兩部分反映了模式識別學科發展的新進展，附錄部分歸納了書中需要用到的概率知識、向量和矩陣運算的常用公式，以及供上機練習用的模式樣本數據。
本書內容由淺入深，便於教師根據不同情況選擇教學內容。同時講解詳細，配有豐富的圖表和例題，有助於讀者閱讀與理解。提供了習題和計算機作業，供學習時使用。
本書可作為高等院校電子信息類專業高年級本科生和研究生的教材，也可供從事模式識別工作的廣大科技人員參考。