模式识别实际上是对分门别类的数据信息做分析学习，并把所得结果进行分类。模式识别主要是模拟人的某些功能，例如把光学系统与计算机结合起来就能够模拟人的视觉系统，把声音传感器和计算机结合起来就能够模拟人的听觉。模式识别涉及生物学、医学、心理学、控制论、统计学等诸多学科，范围极广，它通常研究两类问题，即生物体如何进行感知活动以及如何用计算机完成模拟这一活动。人类对模式识别的不断探索，孜孜不倦的努力促使了计算机的智能发展，使计算机代替人类进行思考这一设想成为可能。
2.3  模式识别系统构成
对应于各个符号的模式的集合称为类，而对于被输入的模式，确定其属于哪一类就是模式识别。依据这种思路，人类把声音、图像等各种模式转变成具有相关信息的符号，模式识别的主要任务一是将携带各种模式信息的结果提取出来，再者它作为高级信息处理系统的预处理部分，根据提取的结果完成适当的复原响应。运用不同的分类标准、方法，所产生的分类结果也不同，一般来说，一个完整的模式识别系统应包含以下几部分：
（1）数据获取：将识别对象的信息用计算机可以处理的符号进行表示。被识别对象可以是任何类别、任何形式，一文的波形，如心电图；二文的图像，如相片；还可以是物理量、逻辑值，如湿度、某些测试结果的描述等等。
（2）预处理：在模式识别理论中，对于某一特定对象往往需要进行一些预处理，提取有用信息。这不仅能消减模式采集过程中的某些不特定因素的干扰，还能够起到转换模式结构的作用，如将原本非线性模式转换为线性的，为接下来的工作做好准备。
（3）特征提取：在识别的过程中，必须对识别对象的本质属性进行研究测量，并将测量结果转化成易操作的具体数据，或者用各种符号来表示对象，总之，将对象分解并且符号化成特征矢量或符号组合、关系图，这样的信息更容易处理。模式类中的个体一般叫做样本。
（4）特征选择：一般情况下，能够描述对象的因素多种多样，根据我们所设定的分类方法，以及考虑到一些现实因素，如时间、费用等相关约束，在保证分类正确的前提之下，我们需要得到最能反映分类本质的一些特征，这样就能够减少数据量，使得算法更加简便，省时省力。
（5）学习训练：一台刚刚出产的机器就如同一个刚出生的婴儿，未知的事物比已知的要多得多，需要不断学习才能更好的认知事物，而对于机器来说，若想使它具有相关的识别功能，需要将人类识别的准则和方法转化为程序输入到机器中，这就是机器的学习过程。这个过程同样很漫长，要经历犯错、纠正、改进，使得最终机器可以达到一定的正确识别率。截至现在，仍然需要人对机器的学习过程进行辅助，完全的机器智能还达不到。
（6）分类识别：是指机器经历过学习训练的过程后，形成的分类准则运用到即将要识别的对象的过程。值得注意的是，输入机器内的有关对象的描述越完善、分类规则和方法越合理，系统的识别能力越佳，出错的概率越小。其实基本做法就是，在进行样本训练集的时候确定某个判别方法，并确保依据这种方法对被识别对象进行分类最佳合理、识别率最高。
事实上一个模式识别系统所要做的工作首先是将要识别的模式的信息变化为计算机容易分析处理的形式，接着把主要的模式特征提取出来用以描述对象，最终将分析结果用于学习训练，形成分类准则，用以对即将识别的对象判别分类。模式识别系统的基本构成如图所示： 仿生模式识别方法及应用的研究+文献综述(4):http://www.751com.cn/tongxin/lunwen_2381.html