本书除了可作为高等院校自动化、计算机等专业研究生和高年级学生的模式识别教材外，也可供计算机信息处理、自动控制、地球物理、生物信息等领域中从事模式识别工作的广大科技人员和高校师生参考。

本书是清华大学自动化系教材，主要讨论统计模式识别理论和方法，第一版包括贝叶斯决策理论、线性和非线性判别函数、近邻规则、经验风险最小化、特征提取和选择，以及聚类分析，等等。多数章后附有习题，适合于数学和自学。
第二版在第一版基础上进行了较多的修订和补充，增加了关于人工神经网络、模糊模式识别、模拟退火和遗传算法，以及统计学习理论和支持向量机等内容，还介绍了模式识别在人脸识别、说话人语音识别及字符识别等中的应用实例。

第二版前言
第一版前言
第1章 绪论
1.1 模式识别和模式的概念
1.2 模式识别系统
1.3 关于模式识别的一些基本问题
1.4 关于本书的内容安排
第2章 贝叶斯决策理论
2.1 引言
2.2 几种常用的决策规则
2.3 正态分布时的统计决策
2.4 关于分类时的统计决策
2.5 讨论
习题
第3章 概率密度函数的估计
3.1 引言
3.2 参数估计的基本概念
3.3 正态分布的监督参数估计
3.4 非监督参数估计
3.5 总体分布的非参数估计
3.6 关于分类器错误率的估计问题
3.7 讨论
习题
第4章 线性判别函数
4.1 引言
4.2 Fisher线性判别
4.3 感知准则函数
4.4 最小错分样本数准则
4.5 最小平方误差准则函数
4.6 随机最小错误率线性判别准则函数
4.7 多类问题
4.8 讨论
习题
第5章 非线性判别函数
第6章 近邻法
第7章 经验风险最小化和有序风险最小化方法
第8章 特征的选择与提取
第9章 基于K-L展开式的特征提取
第10章 非监督学习方法
第11章 人工神经网络
第12章 模糊模式识别方法
第13章 统计学习理论和支持向量机
第14章 模式识别在语音信号数字处理中的应用举例
第15章 印刷体汉字识别中的特征提取
主要参考书目
附录A 几种最优化算法