模式识别对人类甚至某些动物来说都非常容易，一个五岁小孩很轻易就能说出他看见的是一只狗，尽管他从来没见过那种品种的狗。（当然凶猛的可能会被误识别成一只狼）。生活中我们无时不刻不在进行着模式识别的工作，那是桌子，凳子，台灯，一家咖啡厅。而我们轻而易举就能进行的模式识别工作在电脑看来却不是那么容易。近些年来，科学家希望机器也能识别各种模式，在数年的研究中，提出了两种模式识别的方法。
1.基于知识的模式识别。这个就是你把需要识别的物品的要素提取出来。比如一个动物，哺乳类，四条腿，会汪汪叫，通过这些元素，电脑基本可以判定这是条狗。就在知识类模式识别发展了几十年后，科学家们发现这种模式识别的弊端：进入信息社会后，信息成指数型增长，首先我们不可能将所有的元素都加到模式识别的系统中；其次，一个词语表达的意思在不同的语境中意思不同且不断变化着。这使得基于知识的模式识别系统变的力不从心。
2.基于数据的模式识别。将需识别的模型根据形似度自动归类到已知模式中。与知识识别恰恰相反，随着数据量的增多，这种基于统计的模式识别也越来越准确。
模式识别分为监督式识别和非监督式识别。两者的区别就在于是否有已知类别。将目标模式分到已知类别中的就是监督式的。如果给定一些模式让自动聚类成不同组的的就是非监督式学习了。