第一章 绪论

　　主要的知识点：
　　(1)模式识别学科建立的背景；学科要解决的根本任务；通过与人学会辨认事物的过程的对比，说明模式识别典型系统的功能。
　　(2)模式的描述方法。说明特征向量表示与结构表示法的概念；通过典型事例说明这两种表示法的基本概念与两者之间的区别；由特征向量引入特征空间的概念。
　　(3)统计模式识别与结构模式识别
举例说明基于特征向量表示法相应的模式识别方法—统计模式识别。
基于结构描述法的模式识别方法—结构模式识别。
　　(4)模式识别系统典型框图
通过举例说明模式识别系统的典型环节组成；分析典型的系统设计过程，并引入训练过程的概念、训练集、测试集的概念

第二章 贝叶斯决策理论与统计判别方法

　　(1)样本的若干概率的定义：先验概率、概率密度函数以及后验概率，这些概率值之间的关系—贝叶斯公式。
　　(2)基于最小错误率的贝叶斯决策方法
　　基于后验概率最大的决策方法，是错误率最小的方法；基于最小错误率的其他表示方法举例说明基于最小错误率的计算方法。
　　(3)基于最小风险的贝叶斯决策方法
　　从分析分类错误造成危害的不同引入损失、风险等概念，从而导出风险的计算方法，进一步导出基于最小风险的贝叶斯决策方法。举例对基于最小风险与最小错误率两种方法用例子进行对比，进一步分析两种方法之间的内在联系。
　　(4)利用正态分布进一步从定性与定量对贝叶斯决策方法进行分析并导出判别函数、决策域、决策面方程等概念。
　　(5)从贝叶斯决策方法需要统计参数作基础，引入参数估计、非参数估计概念。

第三章 非参数分类决策方法

　　(1)非参数分类决策方法的定义；与贝叶斯决策方法进行比较，分析非参数分类方法的基本特点。
　　(2)线性分类器。说明这种分类器的定义及其数学表达式，进一步分析数学表达式的各种表示方法，从而导出三种典型的线性分类器设计原理：Fisher准则函数、感知准则函数与感知器，以及支持向量机。
　　(3)非线性判别函数
　　从样本的线性不可分例子说明线性判别函数的局限性，从而引入分段线性判别函数概念及相应计算方法，并引入基于支持向量机原理的映射空间方法
　　(4)近邻法的定义及性能分析。从近邻法的优缺点导入改进的近邻法；

第四章 描述特征的选择及其组合与优化

　　(1)特征向量的降维问题，说明降维的两种基本方法：特征选择、特征的提取与组合优化。
　　(2)判断特征集性能的评价标准。
　　(3)基于线性变换的特征组合降维方法；引入主分量分析方法。
　　(4)典型的特征选择方法。
　　注明特征选择方法的主要难点，引入基于搜索的各种方法。

第五章 非监督学习方法

　　(1)非监督学习方法的定义、用途举例。
　　通过与有监督学习方法(第二章、第三章讲述的分类方法)相比较以及典型事例说明非监督学习方法的特点与用途。
　　(2)基于非参数估计的非监督学习方法。
　　(3)从按样本相似度划分的原理，引入聚类的概念；说明聚类的两种典型方法—动态聚类与分级聚类方法的特点与差别。
　　(4)典型的聚类方法，动态聚类方法的基本原理。
　　重点分析C-均值聚类方法和ISODATA算法；说明基本原理以及实现方法；引入不同的相似度定义；并因而将上述方法扩展到其他应用条件。
　　(5)分级聚类方法分析，以及使用不同相似度计算方法的影响。