模式分析的主要任务是了解数据源或数据集的内在结构、关系和规律，并运用学习后的分析系统对新的数据进行预测预判，或根据已有模式知识进一步了解更深层次的知识。本书第1章宏观介绍模式分析。第2章主要论述模式分析的基本原则与策略；集中度、容量、VC维、Rademacher理论，它们是模式分析的顶层思想和泛化错误率分析的基础理论。第3章给出后面各章节共用的核函数与核映射空间知识。在前面3章的基础上，续而讨论具体的模式分析与核方法，各章节首先比较详细地论述基本原理和方法，然后利用核函数有关理论或核技巧“平滑过渡”到核映射空间中的模式分析。第4章论述数据分析与模式分析，包括： 矩阵奇异值分解与广义本征分解；Fisher判别分析；主成分分析；相关分析；回归分析等。第5章论述支持矢量机，包括： 硬间隔支持矢量机；软间隔支持矢量机；支持矢量机的泛化错误率；训练样本具有不确定性的支持矢量机；样本类内缩聚与两类样本数不均的补偿。第6章论述支持矢量数据描述，包括： 包含全部样本的最小球；包含大部分样本的最优球；样本加权的支持矢量数据描述；小球大间隔SVDD；最优椭球数据描述；基于距离学习和SVDD的判别方法。第7章论述支持矢量回归，包括： 岭回归；一范数ε不敏损失支持矢量回归；二范数ε不敏损失支持矢量回归。第8章论述核函数的优化，包括： 基于误差界的核函数参数寻优方法；核极化方法；核调准方法；根据核矩阵估计可分性与二范数SVM核调准；核映射空间的Fisher判据；基于Fisher准则的扩展数据相关核函数的优化算法；多核学习。 本书可供信息、控制、数据科学、人工智能、计算机类及其他相关专业和研究方向的研究生、本科高年级学生作为关于信息分析、检测、识别、知识发现的教材或教学参考书，也可作为有关科技人员的科研参考书。