علم بازشناسی الگو دربردارنده راهکارهای مختلف جهت اعطای قوه تشخیص به یک سیستم است. تشخیص خودکار اهداف هوایی، تشخیص پلاک خودرو، تشخیص نواحی آسیب دیده بدن و شناسایی گفتار از جمله کاربردهای بازشناسی الگو می باشد. یادگیری ماشین نیز به عنوان یکی از شاخه های وسیع و پرکاربرد هوش مصنوعی به تنظیم و اکتشاف شیوه ها و الگوریتم هایی می پردازد که براساس ان رایانه ها و سامانه-ها توانایی یادگیری پیدا می کنند. از جمله کاربردهای یادگیری ماشین می توان به کنترل روبات، تشخیص متن، بیوانفورماتیک و غیره اشاره کرد. همچنین بسیاری از شرکت ها و موسسات دارای حجم انبوهی از اطلاعات هستند، تکنیک های داده کاوی به گونه ای گسترش یافته اند که به سادگی می توان آن را با نرم افزارهای امروزی تطبیق و از اطلاعات جمع آوری شده بهترین بهره را برد. داده کاوی منحصر به گردآوری و مدیریت اطلاعات نیست و تجزیه و تحلیل اطلاعات و پیش بینی را نیز شامل می شود. از داده کاوی به عنوان ابزاری برای کشف جرایم، ارزیابی میزان ریسک و فروش محصولات و غیره استفاده می شود. طبقه بندی یکی از مراحل مهم و حیاتی در زمینه بازشناسی الگو، یادگیری ماشین و داده کاوی می باشد. هدف از طبقه بندی تخصیص اشیاء به یکی از چندین دسته از پیش تعریف شده می باشد. از نقطه نظر ریاضی، آن به عنوان یک نگاشت از فضای ویژگی ورودی به یک مجموعه از برچسب ها تعریف شده است. تحقیقات زیادی در زمینه طبقه بندی الگوهای ناشناس صورت گرفته است که هر یک از آن ها سعی در بهبود و بهینه کردن این مسئله دارند. با این حال مسئله طبقه بندی هنوز یکی از موضوعات مورد علاقه محققین می باشد. در مواردی که حجم اطلاعات و ابعاد مسئله مورد نظر افزایش می یابد بحث طبقه بندی از اهمیت فوق العاده ای برخوردار است. این فصل با مقدمه ای از سیستم های بازشناسی الگو شروع می شود سپس یادگیری ماشین، داده کاوی و طراحی یک سیستم بازشناسی الگو تشریح می شود در نهایت بازبینی کارهای گذشته و چالش ها و حفره ها و سئوالات و اهداف پژوهش بیان می شود.