摘自 ：https://wenku.baidu.com/view/a28c6336b90d6c85ec3ac6a1.html
模式识别的基本概念
一般认为，模式是通过对具体的事物进行观测所得到的具有时间与空间分布的信息，模式所属类别或同一类中的模式的总体称为模式类，其中个别具体的模式往往称为样本。
模式识别就是研究通过计算机自动(或人为进行少量干预)将待识别的模式分配到各个模式类中的技术（分类）
模式识别的研究主要集中在两方面，一是研究生物体(包括人)是如何感知对象的，二是在给定的任务下，如何用计算机实现模式识别的理论和方法。
模式识别方法大致可以分为4类：统计决策法、结构模式识别方法、模糊模式识别方法与基于人工智能方法。
其中基于人工智能的方法本文主要介绍人工神经网络模式识别方法。
前两种方法发展得比较早，理论相对也比较成熟，在早期的模式识别中应用较多。后两种方法目前的应用较多，由于模糊方法更合乎逻辑、神经网络方法具有较强的解决复杂模式识别能力，因此日益得到人们重视。
模糊模式识别
模糊模式识别方法是利用模糊数学中的概念、原理与方法解决分类识别问题.
这里有很多与普通聚类算法“平行”的方法,它们之间存在某种程度的借鉴和相似,但又有很大的不同,两者之间根本性的不同是概念的不同:模糊模式识别是将待识别类、对象作为模糊集或其元素,然后对这些模糊集或元素进行分类;普通聚类算法是根据事物间的不同特征、亲疏程度和相似性等关系,直接对它们进行分类. 因此,设计人员应根据实际问题进行特征提取或特征变换(将原来普通意义上的特征值变为模糊特征) ,建立模糊集的隶属度函数,或建立元素之间的模糊相似关系,并确定这个关系的隶属度函数(相关程度) ,然后运用相关的模糊数学的原理方法进行分类识别。同一般的模式识别方法相比较，模糊模式识别具有客体信息表达更加合理，信息利用充分，各种算法简单灵巧，识别稳定性好，推理能力强的特点。
人工神经网络模式识别
早在20世纪50年代，研究人员就开始模拟动物神经系统的某些功能，他们采用软件或硬件的办法，建立了许多以大量处理单元为结点，处理单元间实现互联的拓扑网络，进行模拟，称之为人工神经网络。这种方法可以看作是对原始特征空间进行非线性变换，产生一个新的样本空间，使得变换后的特征线性可分。同传统统计方法相比，其分类器是与概率分布无关的。
人工神经网络的主要特点在于其具有信息处理的并行性、自组织和自适应性、具有很强的学习能力和联想功能以及容错性能等，在解决一些复杂的模式识别问题中显示出其独特的优势。
人工神经网络是一种复杂的非线性映射方法，其物理意义比较难解释，在理论上还存在一系列亟待解决的问题。在算法复杂度方面，神经网络计算复杂度大，在特征维数比较高时，样本训练时间比较长；在算法稳定性方面，学习过程中容易陷入局部极小，并且存在欠学习与过学习的现象范化能力不容易控制。这些也是制约人工神经网络进一步发展的关键问题。
模式识别应用之 细胞识别
细胞识别是指细胞对同种或异种细胞、同源或异源细胞、以及对自己和异己分子的认识。细胞识别是最近在识别技术中比较热门的一个话题。以前，对疾病的诊断仅仅通过表面现象，经验在诊断中起到了主导作用，错判率始终占有一定的比例；而今，通过对显微细胞图像的研究和分析来诊断疾病，不仅可以了解疾病的病因、研究医疗方案，还可以观测医疗疗效。如果通过人工辨识显微细胞诊断疾病也得不偿失，费力费时不说，还容易耽误治疗。基于图像区域特征，利用计算机技术对显微细胞图像进行自动识别愈来愈受到大家的关注，并且现在也获得了不错的效果。但实际中，细胞的组成是复杂的，应该选择更多的特征，建立更为完善的判别函数，可能会进一步提高分类精度。