随着计算机硬件、互联网、大数据的发展和深度学习的广泛应用，模式识别作为人工智能的一个重要分支，其方法不断更新发展，并已在许多领域中被推广应用，关注度与日俱增。

　　实际上，过去20多年中，互联网搜索、视频监控、文字识别、语音识别、人脸识别、人机交互等技术成功应用的背后都有模式识别方法作为支撑。

　　在人工智能发展早期，模式识别与人工智能密不可分，尤其人工神经网络是人工智能和模式识别共同关心的热点。20世纪70到80年代，人工智能更关心符号推理和知识工程，与模式识别分别形成不同的学科领域。上世纪80年代人工神经网络以及这些年深度学习的兴起，又使人工智能和模式识别之间的界限重新变得模糊起来。

　　 “人工智能领域的范围比较广，主要研究感知、认知推理、学习和动作。模式识别主要研究感知，而感知是人和机器从环境获取信息的最重要手段，学习也是模式识别中的重要研究内容，因此可以说模式识别是人工智能最重要的分支。”中科院自动化所副所长刘成林认为，从上世纪80年代模式识别和人工智能重新融合起，特别是近年来深度学习的发展，人工智能迎来突破性的快速发展，同时也面临着一些局限，急需新的理论来突破。

　　刘成林表示，目前由于深度学习结合大数据所提供的强大功能，使得人工智能领域在图像识别、语音识别等方面的精度得到了大幅提高。但是这种高精度过于依赖大数据训练，且学习过程很不灵活。他举例说，通常需要同时用大量有类别标记的训练样本来训练深度神经网络，而不能像人脑那样从少量样本开始学习，并在有标记或无标记混合数据的感知过程中渐进学习，达到高的识别精度。

　　另外，刘成林解释说，现在的模式识别和智能系统在识别的可解释性，如对模式结构和语义的解释，说明为什么是或者不是某一类别以及鲁棒性，即对模糊模式和噪声模式、信息缺失的稳定性等方面表现明显不足。而小样本泛化性、自适应性、可解释性、鲁棒性恰恰又是人脑的长处。因此，模式识别学者急需从脑科学和神经科学上寻找新的借鉴，发展新的类人感知和认知机理的模式识别学习理论与方法。

　　“借鉴脑与神经科学研究的成果，将脑神经结构和信息处理机制融入未来信息与智能系统，已经成为国际学术与产业界发展的趋势。欧盟与美国相继推出的脑计划中，都包含了脑模拟与类脑智能研究的探索。”在刘成林看来，如今的类脑智能研究包括四个研究方向：一是借鉴脑科学研究成果，建立人类脑神经结构的模拟计算系统，可以同时促进感知、认知、学习等智能计算模型和神经科学研究的发展；二是受脑信息处理机制启发，研究基于类脑信息处理机制，同时结合深度学习和大数据的多模态信息处理和语义理解；三是通过类脑智能研究，提升机器人的智能化程度，包括智能感知、决策、学习和感知协同的灵巧动作能力；四是人机协同和智能交互的研究，使机器在交互中快速学习知识和技能，并通过人机协同结合人与机器的长处共同完成复杂的任务。