图像识别中著名的的模板匹配模型认为，要识别某个图像，必须在过去的经验中有这个图像的记忆模式，又叫模板。当前的刺激如果能与大脑中的模板相匹配，这个图像就被识别了。例如有一个字母A，如果在脑中有个A模板，字母A的大小、方位、形状都与这个A模板完全一致，字母A就被识别了。但这种模型强调图像必须与脑中的模板完全匹配才能成功识别，而事实上人不仅能识别与脑中的模板完全一致的图像，也能识别与模板不完全一致的图像。例如，人们不仅能识别某一个具体的字母A，也能识别印刷体的、手写体的、方向不正、大小不同的各种字母A。这就提示操作者，匹配过程不应基于完全相同的比较而是应基于某种相似性的度量。
关键概念模式类（Pattern Class）：是指共享一组共同属性（或特征）的模式集合，通常具有相同的来源。
特征（Feature）：是一种模式区别于另一种模式的相应（本质）特点或特性，是通过测量或处理能够抽取的数据。
噪声（Noise）：是指与模式处理（特征抽取中的误差）和（或）训练样本联合的失真，它对系统的分类能力（如识别）产生影响。
分类/识别（Classification/Recognition）：是指根据特征将模式分配给不同的模式类，识别出模式的类别的过程。
分类器（Classifier）：可理解为为了实现分类而建立起来的某种计算模型，它以模式特征为输入，输出该模式所属的类别信息。
训练样本（Training Sample）：是一些类别信息已知的样本，通常使用它们来训练分类器。
训练集合（Training Set）：训练样本所组成的集合。
训练/学习（Training/Learning）：是指根据训练样本集合，“教受”识别系统如何将输入矢量映射为输出矢量的过程。
测试样本（Testing Sample）：是一些类别信息对于分类器未知（不提供给分类器其类别信息）的样本，通常使用它们来测试分类器的性能。
测试集合（Testing Set）：测试样本所组成的集合。当测试集合与训练集合没有交集时，称为独立的测试集。
测试（Testing）：是将测试样本作为输入送入已训练好的分类器，得到分类结果并对分类正确率进行统计的过程。
识别率（Accuracy）：是指对于某一样本集合而言，经分类器识别正确的样本占总样本数的比例。
泛化精度（Generalization Accuracy）：分类器在独立于训练样本的测试集合上的识别率。
识别问题的一般描述TODO.
过度拟合一般来说，简单的模型具有计算复杂度上的优势，训练它们所需的样本数目通常也更少，但它们对空间的划分往往不够精确，导致识别精度受到一定的限制；而复杂的模型可以更好地拟合训练样本，产生非常适应训练数据的复杂决策边界，从而有理由期望它们在测试集上也会有好的表现。然而，这一美好的愿望并不总能实现，事实上，过度复杂的决策边界常常导致所谓“过度拟合”（Overfit）现象的发生。
模式识别系统结构TODO.
训练/学习方法分类教师指导的学习：又称为有监督学习。是指在训练样本集中的每个输入样本类别均已知的情况下进行学习，也就是使用训练模式和相应的类别标记一起来教授分类器。日常生活中有监督学习的一个例子是教孩子识字，教师将字本身（样本）和具体是什么字（类别）一起教给孩子。
无教师指导的学习又称为无监督学习。是指在样本中没有相应的类别信息的情况下，系统对输入样本自动形成“自然的”组织或簇（Cluster）。如“聚类算法”就是一种典型的无监督学习。
加强学习又称为基于评价的学习。在加强学习中，并不把类别信息直接提供给分类器，而是让分类器自己根据输入样本计算输出类别，将它与已知的类别标记进行比较，判断对已知训练模式的分类是否正确，从而辅助分类器的学习。日常生活中加强学习的一个例子是提供正确答案的考 试讲评，这里考生就相当于分类器，他们先是独立考试（分类），而后根据教师提供的标准答案来改善知识体系（分类器模型）。
模式识别方法分类有两种基本的模式识别方法，即统计模式识别（Statistical Pattern Recognition）方法和句法（结构）模式识别（Syntactic Pattern Recognition）方法。统计模式识别是对模式的统计分类方法，即结合统计概率论的贝叶斯决策系统 进行模式识别的技术，又称为决策理论识别方法；而利用模式与子模式分层结构的树状信息所完成的模式识别工作，就是句法（结构）模式识别。
最小距离分类器和模板匹配