模式识别作为人工智能的一个重要应用领域也得到了飞速发展。模式识别就是用计算机通过计算的方法根据样本的特征对样本进行分类。
统计模式识别是首先根据待识别对象的所包含的原始数据信息，从中提取出若干能够反映该类对象某方面性质的相应特征参数，并根据识别的实际需要从中选择一些参数的组合作为一个特征向量，根据某种相似性测度，设计一个能够对该向量组表示的模式进行区分的分类器，就可把特征向量相似的对象分为一类。
统计模式识别过程主要由4个部分组成，分别有信息获取、预处理、特征提取和选择及构造分类器，构造分类器即对特征向量进行区分的分类器的设计、巧设计好的分类器进行最终的分类决策。
当需要对待识别对象的各部分之间的联系进行精确识别时，就需要使用
结构模式识别方法。结构模式识别是根据识别对象的结构特征，将复杂的模式结构先通过分解，划分为多个相对更简单的且更容易区分的子模式，若得到的子横式仍有识别难度，则继续对其进行分解，直到最终得到的子模式具有容易表示且容易被识规的结构为止，通过这些子模式就可以复原原先比较复杂的模式结构，这些最终的子模式通常被称为模式基元。
模糊集理论认为模糊集合中的一个元素，可以不是百分之百确定的属于该集合，而是可以一定的比例属于该集合，不像传统集合理论中某元素要么属于要么就不属于该集合的定义方式，更符合现实当中许多模糊的实际问题，描述起来更加简单合理。在用机器模拟人类智能时模糊数学就可以更好地描述现实当中具有模糊性的问题，进而更好地进行处理。
模糊模式识别就以模糊集理论为基础，根据一定的判定要求建立合适的
隶属度函数来对识别对象巧行分类。
正是因为
模糊模式识别能够很好的解决现实当中许多具有模糊性的概念，使其成为一种重要的模式识别方法。在进行模糊膜识别时，也需要建立一个类似于统计模式识别的识别系统，需要对实际的识别对象的特征参数按照一定的比例进行分类，这些比例往往是根据人为的经验作为参考值，只要符合认可的经验认识就行。么后建立相应能够处理模糊性问题的分类器对不同类别的特征向量进行判别。
神经网络作为
模式识别技术当中最重要的方法之一，相对于传统的模式识别方法，它的优势如下：
3.神经网络属于
非线性模型，这使得它能够灵活地模拟现实世界中的数据之间的复杂关系。