一、什么是模式识别？
模式识别作为机器的感知能力，在人工智能的研究领域中占据着重要的地位。那么，什么是模式识别呢？
识别的英文为Recognition = re + cognition，即识别 = 再 + 认知。认知是获取某种事物的特征，从而进行概念抽象，而模式是根据特征决定某个具体的事物是不上某种事物，因此识别的本质是对概念进行归类。模式是指某一类事物所具有的共同特征。综上，我们可以将模式识别理解为依据事物的特征进行概念归类的过程，简言之，模式识别即为分类。
二、模式识别算法
统计模式识别：将样本转换为多维特征空间中的点，再根据样本的特征取值情况和样本集的特征分布情况确定分类决策规则。
- 线性分类器是最基本的统计分类器，它通过寻找线性分类决策边界，从而实现特征空间中的类别划分。
- 贝叶斯分类器也是统计分类器，它的分类决策规则是基于不同类样本在特征空间中的概率分布，以逆概率推理的贝叶斯公式来得到类别划分的决策结果。
- 最近邻分类器将学习过程隐藏到了分类决策中，通过寻找训练集中与待分类样本最相似的子集来实现分类决策。
- 神经网络分类器来源于对生物神经网络系统的模拟，它的本质是高度非线性统计分类器。
- 统计聚类分析方法采用统计学习方法来实现分类决策。
在这里，我们需要明确的是，模糊模式识别不是独立的识别方法，而是将模糊数学引入模式识别领域，对现有的各种算法进行模糊改造，从而更精确地描述问题和更有效地得出模式识别结果的方法。类似的，特征降维也不是独立的方法，它通过寻找数量更少、对分类更有效的特征来提升整个模式识别系统的性能。
结构模式识别：与统计模式识别不同，结构模式识别抽取的不是一系列数值型的特征，而是将样本结构上的某些特点作为类别和个体的特征，从而通过结构上的相似性来完成分类任务，也就是结构聚类方法。
- 句法模式识别利用形式语言理论中的语法规则，将样本的结构特征转换为句法类型的判定，从而实现模式识别的功能。
三、思考模式识别与机器学习的区别？
- 机器学习是通过海量样本发现特征去判断事物，而模式识别根据事物特征对事物进行分类判断判别。
- 我们发现模式识别更加侧重于特征的分类判别，而机器学习则包含多方面，比如回归。简言之，模式识别应用目的更多的是分类和识别，而机器学习则更侧重于让机器通过相应的算法自学习、自适应的过程。
- 机器学习的范围要比模式识别范围更大，模式识别侧重于工程领域，而机器学习侧重于学术领域。