本书是清华大学自动化系教材,主要讨论统计模式识别理论和方法,**版包括贝叶斯决策理论、线性和非线性判别函数、近邻规则、经验风险*小化、特征提取和选择,以及聚类分析,等等。多数章后附有习题,适于教学和自学。
第二版在**版基础上进行了较多的修订和补充,增加了关于人工神经网络、模糊模式识别、模拟退火和遗传算法,以及统计学习理论和支持向量机等内容。

第二版前言
**版前言
第1章绪论
1.1模式识别和模式的概念
1.2模式识别系统
1.3关于模式识别的一些基本问题
1.4关于本书的内容安排
第2章贝叶斯决策理论
2.1引言
2.2几种常用的决策规则
2.2.1基于*小错误率的贝叶斯决策
2.2.2基于*小风险的贝叶斯决策
2.2.3在限定一类错误率条件下使另一类错误率为*小的两类别决策
2.2.4*小*大决策
2.2.5序贯分类方法
2.2.6分类器设计
2.3正态分布时的统计决策
2.3.1正态分布概率密度函数的定义及性质
2.3.2多元正态概率型下的*小错误率贝叶斯判别函数和决策面
2.4关于分类器的错误率问题
2.4.1在一些特殊情况下错误率的理论计算
2.4.2错误率的上界
2.5讨论
习题
第3章概率密度函数的估计
3.1引言
3.2参数估计的基本概念
3.2.1*大似然估计
3.2.2贝叶斯估计和贝叶斯学习
3.3正态分布的监督参数估计
3.3.1*大似然估计示例
3.3.2贝叶斯估计和贝叶斯学习示例
3.4非监督参数估计
3.4.1非监督*大似然估计中的几个问题
3.4.2正态分布情况下的非监督参数估计
3.5总体分布的非参数估计
3.5.1基本方法
3.5.2Parzen窗法
3.5.3KN-近邻估计
3.6关于分类器错误率的估计问题
3.6.1关于已设计好分类器时错误率的估计问题
3.6.2关于未设计好分类器时错误率的估计问题
3.7讨论
习题
第4章线性判别函数
4.1引言
4.1.1线性判别函数的基本概念
4.1.2广义线性判别函数
4.1.3设计线性分类器的主要步骤
4.2Fisher线性判别
4.3感知准则函数
4.3.l几个基本概念
4.3.2感知准则函数及其梯度下降算法
4.4*小错分样本数准则
4.4.1解线性不等式组的共轭梯度
......
……