《模式识别》(第2版)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，适于教学和自学。

《模式识别》(第2版)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。

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
2.2.1基于最小错误率的贝叶斯决策
2.2.2基于最小风险的贝叶斯决策
2.2.3在限定一类错误率条件下使另一类错误率为最小的两类别决策
2.2.4最小最大决策
2.2.5序贯分类方法
2.2.6分类器设计
2.3正态分布时的统计决策
2.3.1正态分布概率密度函数的定义及性质
2.3.2多元正态概率型下的最小错误率贝叶斯判别函数和决策面
2.4关于分类器的错误率问题
2.4.1在一些特殊情况下错误率的理论计算
2.4.2错误率的上界
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
3.2.1最大似然估计
3.2.2贝叶斯估计和贝叶斯学习
3.3正态分布的监督参数估计
3.3.1最大似然估计示例
3.3.2贝叶斯估计和贝叶斯学习示例
3.4非监督参数估计
3.4.1非监督最大似然估计中的几个问题
3.4.2正态分布情况下的非监督参数估计
3.5总体分布的非参数估计
3.5.1基本方法
3.5.2Parzen窗法
3.5.3KN-近邻估计
3.6关于分类器错误率的估计问题
3.6.1关于已设计好分类器时错误率的估计问题
3.6.2关于未设计好分类器时错误率的估计问题
3.7讨论
习题
第4章线性判别函数
4.1引言
4.1.1线性判别函数的基本概念
4.1.2广义线性判别函数
4.1.3设计线性分类器的主要步骤
4.2Fisher线性判别
4.3感知准则函数
4.3.l几个基本概念
4.3.2感知准则函数及其梯度下降算法
4.4最小错分样本数准则
4.4.1解线性不等式组的共轭梯度
......
……