1、 基础知识：模式识别类型、系统构成和模式识别系统评价方法。
2、 贝叶斯决策
了解基本概念：小误差率准则，Bayes错误率的估计，小风险准则，正态分布下的Bayes分类器；
理解概率密度的参数估计方法：大似然估计，EM算法，隐含Markov模型。
掌握非参数估计方法：Parzen窗法， K-近邻方法，距离度量。
掌握成份分析：主成份分析，多重判别分析。
3、 线性判别函数
了解线性判别函数的基本概念：两类问题的判别准则，多类问题的判别准则。
理解线性分类器的训练：感知器算法，扩展的感知器算法，小错分样本数准则
掌握小均方误差准则，随机小误差率线性判定准则
4、 非线性判别函数
了解非线性的分段线性判别方法
掌握特征空间变换，非线性空间的支持向量机和决策树方法。
5、 特征的选择与提取
了解特征的选择原则和基本方法
理解特征提取方法：基于欧氏距离度量的方法、基于概率距离判据的方法、基于散度准则函数的特征提取
掌握特征选择方法：优搜索算法、次优搜索法，模拟退火算法、遗传算法等
6、 人工神经网络
了解常用人工神经网络
理解前馈神经网络及其主要算法
掌握深度学习中的卷积神经网络。
7、 非监督学习与聚类
了解非监督学习的基本概念，聚类的准则函数
掌握聚类方法：K-均值聚类，模糊C-均值聚类，层次聚类，高斯混合模型，自组织特征映射。