课时1：概述

课时2：特征矢量及特征空间、随机矢量、正态分布特性

课时3：聚类分析的概念、相似性测度

课时4：相似性测度（二）

课时5：类间距离、准则函数

课时6：聚类算法：简单聚类算法、谱系聚类算法

课时7：聚类算法：动态聚类算法——C均值聚类算法

课时8：聚类算法：动态聚类算法——近邻函数算法

课时9：聚类算法实验

课时10：判别域界面方程分类的概念、线性判别函数

课时11：判别函数值的鉴别意义、权空间及解空间、fisher线性判别

课时12：线性可分条件下判别函数权矢量算法

课时13：一般情况下的判别函数权矢量算法

课时14：非线性判别函数

课时15：最近邻方法

课时16：感知器算法实验

课时17：最小误判概率准则

课时18：正态分布的最小误判概率、最小损失准则判决

课时19：含拒绝判决的最小损失准则、最小最大损失准则

课时20：Neyman—Pearson判决、实例

课时21：概述、矩法估计、最大似然估计

课时22：贝叶斯估计

课时23：贝叶斯学习

课时24：概密的窗函数估计方法

课时25：有限项正交函数级数逼近法

课时26：错误率估计

课时27：小结

课时28：实验3-4-5 Bayes分类器-kNN分类器-视频动目标检测

课时29：概述、类别可分性判据（一）

课时30：类别可分性判据（二）

课时31：基于可分性判据的特征提取

课时32：离散KL变换与特征提取

课时33：离散KL变换在特征提取与选择中的应用

课时34：特征选择中的直接挑选法

课时35：综合实验-图像中的字符识别