数据获取预处理特征提取
分类器设计（训练过程）    
分类决策（识别过程）
图2.1 模式识别系统基本构成
2.4  模式识别的基本方法
模式识别方法事实上是一种借助计算机对信息进行处理、判决分类的数学统计方法。因此其识别方法也是多种多样，下面将介绍几种主要的模式识别方法：
（1）统计模式识别：它主要利用贝叶斯决策规则对最优分类器的设计问题提供相关的理论支持。这种技术识别理论起步较早，发展的也比较完善，是目前最成熟应用最广泛的理论识别方法。它的基本思想就是从被研究的模式中选择几个能够充分代表它的特征，每一个模式都可以用这几个特征所组成的特征向量来表示。之后制定一种方法分割特征空间，使得同一类模式大致落在特征空间的相同区域，对模式进行分类。运用这种识别理论的方法有很多，如聚类分析、统计判决、判别邻域界面法、临近法分类、线性判别函数等。虽然方法多种多样，但基本思路都是利用各类的分布特征，也就是运用各个类的概率分布函数、后验概率对相关对象进行分类识别。
    对于统计模式识别，贝叶斯决策规则起了很大作用，但这种规则的极大不足之处是如何计算条件概率函数，在现实生活当中，条件概率常常是未知的，人们只能通过采集很多样本进行统计估计，然而估计条件概率时可利用样本并不多，并且当表示特征向量的文数较大时会出现“文数灾难”。之后随着支撑向量机（SVM，Support Vector Machine）的问世极大的解决了这一问题，在许多领域得到推广和应用。
（2）结构模式识别：是以结构基元为基础利用模式的结构信息完成分类的过程。其主要思想是把一个模式描述为一个比较简单的子模式的组合，这些子模式又可以划分为更简单子模式，以此类推，最终形成一个树形结构，最底层的子模式成为模式基元。在这种划分中，如何确定基元就类似于统计模式识别中如何确定所要用到的特征一样，一般我们所遵循的原则是用基元所划分出来的树形结构要紧密，这样，就可以用基元以及划分基元所形成的树形结构来描述一种模式，我们叫它模式描述语句，这与语言中由字组成词、词组成句、多个句又形成一篇完整的文章大同小异。基元如何表示模式，这要我们制定语法来规定，运用此种语法去分析判断模式语句，如果附和语法规则就将被识别分类。结构模式识别是模式识别中有一种比较重要的识别方式，应用范围很广，尤其适合对比较复杂的图像进行处理。
（3）模糊模式识别：是指利用模糊数学方法对具有模糊性的模式进行的识别方式。现实生活中有很多问题无法用精确数学来解决，而映入了模糊集这一概念使得很多难题有了突破。这种识别方式具有很多的优势，比如具备抗干扰和抗畸变的能力，能全面的显示模式最主要的特征，然而要精准的构造模糊模式识别的核心——隶属度函数确是十分困难的。如今，相关专家正在积极探索，把它运用到以神经网络为基础的模糊神经网络识别系统，取得了不错的效果。
（4）神经网络模式识别：由许多结构简单的神经元错综复杂的勾连而成的神经网络拥有诸多优势，它具有自适应能力，不但能够自适应学习，还可以自适应的调整网络结构。神经网络可以根据样本间的相似性，对与原始样本相似的进行正确处理，具有较好的推广能力。神经网络是高度并行的，可进行大量并行计算，性能更好，具有其他识别方式不可替代的作用。
2.5  传统模式识别的局限性 仿生模式识别方法及应用的研究+文献综述(5):http://www.751com.cn/tongxin/lunwen_2381.html