本书篇幅有限，即便在现有篇幅的基础上扩充10倍，也很难涵盖模式识别与计算机视觉领域的全面发展情况，这一点毋庸置疑。不同于期刊、特刊，本书涵盖的内容为模式识别与计算机视觉在理论和应用方面的关键成果。本书共有6版，这6版书概括了该领域近三十年的发展，通过它们，读者可以更好地了解这个不断更迭的领域。在信息研究基金会的资助下，本书的第1～4版现已向大众免费开放，网址可扫封底二维码获取。

"陈季镐，1965年获得普渡大学电气博士学位，1962年获得美国田纳西大学诺克斯维尔分校电机工程硕士学位，1959年获得台湾大学电子工程学士学位。目前，陈博士是马萨诸塞大学达特茅斯分校电气和计算机工程名誉教授，自1968年以来，他一直任教于该大学。他的研究领域是统计模式识别和信号/图像处理应用于遥感、医学成像、地球物理、水下声学与无损检测问题，视频监控中的计算机视觉，时间序列分析，以及机器学习。在其研究领域，陈博士出版(编辑和撰写)了32本书，其中部分书籍出版于世界科学出版社。1986—2008年，他担任《国际模式识别和人工智能杂志》的副主编。自2008年以来，他.一直是《模式识别杂志》的编委。目前，他担任世界科学出版社计算机视觉系列图书的编辑-职。自1988年以来，陈博士一直是电气和电子工程师协会(IEEE)的会员，2003年成为该协会的终身会员。自1996年以来，陈博士一直是国际模式识别协会(IAPR)的会员。."

前 言 过去六年，人工智能、大数据和机器学习算法崛起，影响了模式识别与计算机视觉等领域的发展。作为最新版本，本书旨在概述深度学习领域的最新成果及大量的传统方法。 统计模式识别是模式识别发展的重要基础。本书分为两部分，第Ⅰ部分为理论、技术和系统，第Ⅱ部分为应用。第1章“最佳统计分类”，作者是Dougherty教授和Dalton教授，在更广泛的背景下，他们审查了最优贝叶斯分类器，而不是根据样本数据设计的、具有未知特征标签分布的最优分类器，与此类分类器相比，最优贝叶斯分类器的预期误差最小。虽然“最优”一词带有一定程度的主观色彩，但它的确总是受到设计者本人目的及其知识储备的影响。该章还对最优贝叶斯迁移学习这一主题进行了讨论，使用不同来源的数据扩充了训练数据。回顾过去半个世纪的发展，贝叶斯推理理论经久不衰，这实在令人惊奇。第2章“目标识别的深度判别特征学习方法”的作者为Shi 博士和 Gong 博士。该章提出了熵正交损失和最小-最大损失的概念，目的是提高卷积神经网络分类器的类内紧凑性和类间可分离性，从而更好地识别对象。Bouwmans 教授等撰写的第3章为“基于深度学习的背景减法：系统综述”。深度神经网络已被应用于背景减法，从而检测静态摄像机拍摄的移动对象，该章对这项研究的最新进展进行了全面回顾。读者可能有兴趣阅读“前景检测的统计背景建模：综述”(Statistical Background Modeling for Foreground Detection：A Survey)的相关章节，该章同样由 Bouwmans 教授等撰写，可在本书的第4版中进行查阅。...