模式识别（pattern recognition）是人类的一项基本智能，在日常生活中，人们经常进行“模式识别”。例如，在见到认识的人时，人们能辨别出他是张三还是李四，这是对人的形体及其他生物特征的识别行为；儿童在认读识字卡上的字母时，将它们区分为A~Z中的一个，这是对字母符号的识别；在与人交流时，人们能听出对方说话的意思，这是对语言的识别。随着人类社会活动及生产科研广泛而深入的发展，需要识别的对象种类越来越多，内容越来越复杂和深入，要求也越来越高。随着20世纪40年代计算机的出现以及20世纪50年代人工智能的兴起，人们当然也希望能用计算机来代替或扩展人类的部分脑力劳动，例如有些场合环境恶劣、存在危险或人们根本不能接近，这就需要借助机器、运用分析算法进行识别，于是，模式识别在20世纪60年代初迅速发展起来并成为一门新学科。模式识别是指对表征事物或现象的各种形式的(数值的、文字的和逻辑关系的)信息进行处理和分析，以对事物或现象进行描述、辨认、分类和解释的过程。模式识别又常称作模式分类。从处理问题的性质和解决问题的方法等角度，模式识别分为有监督的分类（supervised classification）和无监督的分类(unsupervised classification)两种。二者的主要差别在于，各实验样本所属的类别是否预先已知。一般来说，有监督的分类往往需要提供大量已知类别的样本，但在实际问题中，这是存在一定困难的，因此研究无监督的分类就变得十分有必要了。模式识别研究的目的是利用计算机对物理对象进行分类，在错误率最小的条件下，使识别的结果尽量与客观物体相符合。计算机辨别事物最基本的方法是计算，即计算机对要分析的事物与标准模板的相似程度进行计算。例如，要识别一个手写的字母，就要将它与从A~Z的模板作比较，看哪个模板最相似或最接近。因此首先要能从度量中看出不同事物之间的差异，才能分辨当前要识别的事物，所以关键是找到能有效地度量异类事物的差异的方法。为了本书后面章节中讨论方便，我们在这里把一些基本术语的含义约定一下。这些术语在其他文章或书籍中的含义和用法可能会略有不同，但只要参考上下文就不难明白其确切的含义。
样本（sample）：按一定程序从总体中抽取的一个个体。样本集（sample set）：若干样本的集合。类或类别（class）：在所有样本上定义的一个子集，处于同一类的样本在我们所关心的某种性质上是不可区分的，即具有相同的模式。特征（feature）：指事物可供识别的特殊的征象或标志，通常是数值表示的某些量化特征，有时也称为属性。如果存在多个特征，则它们就组成了特征向量。样本的特征构成了样本的特征空间，空间的维数就是特征的个数，而每一个样本就是特征空间中的一个点。某些情况下，对样本的元素描述可能是非数值形式的，此时通常需要采用一定的方法把这些特征转换成数值特征。已知样本（known sample）：指已经知道类别标号的样本。未知样本（unknown sample）：指类别标号未知但是特征已知的样本。 相关资源：模式识别--原理、方法及应用(清华大学).pdf