本书综合考虑了有监督和无监督模式识别的经典的以及当前的理论和实践，为专业技术人员和高校学生建立起了完整的基本知识体系。本书由模式识别领域内的两位顶级专家合著，从工程角度全面阐述了模式识别的应用，内容包括贝叶斯分类、贝叶斯网络、线性和非线性分类器 (包含神经网络和支持向量机) 、动态编程和用于顺序数据的隐马尔科夫模型、特征生成 (包含小波、主成分分析、独立成分分析和分形分析) 、特征选择技术、来自学习理论的基本概念、聚类概念和算法等。
　　本书是享誉世界的名著，内容既全面又相对独立，既有基础知识的介绍，又有本领域研究现状的介绍，还有对未来发展的展望，是本领域最全面的参考书，被世界众多高校选用为教材。本书可作为高等院校计算机、电子、通信、自动化等专业研究生和高年级本科生的教材，也可作为计算机信息处理、自动控制等相关领域的工程技术人员的参考用书。

本书主要特点
　　● 提供了最新的关于支持向量机的研究成果 (包括V-SVM及其几何解释)。
　　● 讨论了多分类器组合方法 (包括Boosting方法)。
　　● 增加了最新的资料。介绍了一些聚类算法，这些算法根据Web挖掘和生物信息等应用的要求而修改，以适合大数据集和高维数据。
　　● 涵盖了不同的应用，例如图像分析、光学字符识别、信道均衡、语音识别和音频分类等。

无

Chapter 1: Introduction
Chapter 2: Classifiers Based on Bayes Decision Theory
Chapter 3: Linear Classifiers
Chapter 4: Nonlinear Classifiers
Chapter 5: Feature Selection
Chapter 6: Feature Generation I
Chapter 7: Feature Generation II
Chapter 8: Template Matching
Chapter 9: Context-Dependant Classification
Chapter 10: System Evaluation
Chapter 11: Clustering: Basic Concepts
Chapter 12: Clustering Algorithms I (Sequential)
Chapter 13: Clustering Algorithms II (Hierarchical)
Chapter 14: Clustering Algorithms III (Functional Optimization)
Chapter 15: Clustering Algorithms IV (Graph Theory)
Chapter 16: Cluster Validity