本书作为普通高等院校计算机信息安全专业本科生的专用教材，从实用角度阐述了模式识别的基本原理、概念和技术方法。 　　全书共9章，第1章介绍了模式识别的基本概念；第2章阐述了贝叶斯决策理论；第3章介绍了线性与非线性判别函数；第4章介绍了近邻法则和集群的知识；第5章介绍了数据聚类的方法；第6章介绍了特征抽取和选择策略；第7章介绍了统计学习与支持向量机方法；第8章介绍了句法分析及句法结构模式识别方法；第9章进行了模式识别典型实例分析。 　　本书是一本注重系统性、科学性的教材，内容丰富，实用性强，可作为计算机与信息安全专业以及其他相关专业的本科教材，也可作为信息安全领域软件开发人员的技术参考书。

本书共9章，第1章介绍了模式识别的基本概念；第2章阐述了贝叶斯决策理论；第3章介绍了线性与非线性判别函数；第4章介绍了近邻法则和集群的知识；第5章介绍了数据聚类的方法；第6章介绍了特征抽取和选择策略；第7章介绍了统计学习与支持向量机方法；第8章介绍了句法分析及句法结构模式识别方法；第9章进行了模式识别典型实例分析。全书内容丰富，实用性强，可作为计算机与信息安全专业以及其他相关专业的本科教材，也可作为信息安全领域软件开发人员的技术参考书。

第1章 绪论
1.1 模式与模式识别的概念
1.2 模式识别的研究方法
1.3 模式识别的发展与应用
1.4 本书内容的安排


第2章 贝叶斯决策理论
2.1 贝叶斯决策的基本概念
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 离散情况的贝叶斯决策
2.5 概率密度函数估计
2.6 分类错误率的计算
2.7 本章小结
练习题


第3章 线性与非线性判别函数
3.1 感知准则函数
3.2 最小平方误差准则与最小错分样本数准则
3.3 Fisher线性判别准则
3.4 分段线性判别函数的基本概念
3.5 二次判别函数
3.6 本章小结
练习题


第4章 近邻法则和集群
4.1 最近邻法
4.2 k近邻法及模糊k近邻分类器
4.3 关于近邻法则的讨论
4.4 改进的近邻法
4.5 集群
4.6 本章小结
练习题


第5章 数据聚类
5.1 数据聚类的三个要点
5.2 模式相似性测度及标准化
5.3 聚类的准则函数
5.4 分级聚类算法
5.5 动态聚类法
5.6 聚类有效性分析
5.7 本章小结
练习题


第6章 特征抽取和选择
6.1 特征抽取和选择的基本概念
6.2 类别可分离性判据
6.3 特征抽取方法
6.4 特征选择方法
6.5 本章小结
练习题


第7章 统计学习理论与支持向量机方法
7.1 机器学习的基本问题与方法
7.2 统计学习理论的核心内容
7.3 支持向量机
7.4 本章小结
练习题


第8章 句法分析及句法结构模式识别方法
8.1 形式语言理论概述
8.2 正规语言的句法分析方法
8.3 算子优先算法
8.4 CYK算法
8.5 Earley算法
8.6 随机文法
8.7 属性文法
8.8 本章小结
练习题


第9章 模式识别技术应用实例
9.1 指纹识别系统应用实例
9.2 IC卡应用实例
9.3 入侵检测系统应用实例
9.4 字符识别应用实例
9.5 本章小结
练习题
参考文献