模式识别：输入原始数据并根据其类别进行相应行为的能力。举个例子来说，人类能轻易辨别人脸，识别语音，阅读手写文字，都依赖于 人类进化过程中进化出的高度复杂的神经和认知系统<模式识别能力>
模式识别系统：完成一个完整模式识别过程所需功能模块的集合。典型的模块包括：传感器、分割器、特征提取器、分类器、后处理器。
设计循环：设计一个模式识别系统主要涉及几个步骤的重复:数据采集、特征选择、模型选择、训练 和评估。<右图>
数据采集：采集足够的、典型的样本数据作为模型进行训练数据。
特征选择：根据特定问题领域的性质，选择有明显区分意义的特征。
模型选择：根据获得的特征选择恰当的模型来进行训练或识别。
训练：使用已获得的样本进行模型参数调整。
评价：根据一定指标评估一个模型的性能。
计算复杂度：计算机的处理能力有限，任何模型都需考虑所需的计算机运行能力。
学习与适应：有监督学习、无监督学习、强化学习。
有监督学习：对于给定的样例输入，有确定的输出。
无监督学习：对于给定的样例输入，输出不确定。
强化学习：训练模式分类器的典型做法是，给定一个输入类别，计算输出类别，并与已知的类别标 记做比较，根据差异来改善分类器的性能。在强化学习中，并不需要指明类别标志的监 督信号，而只对任务分类结果给予正确性反馈。