模式识别技术就是通过计算机用数学方法来研究模式的自动处理和判读。21世纪是智能化、信息化、计算化、网络化的时代，在这个以数字计算为特征的时代，作为人工智能技术基础学科的模式识别技术，必将获得巨大的发展空间。

人们在观察事物或现象时，常常要把各个相似但又不完全相同的事物或现象归为一类。例如，一个数字有不同的写法，对人类来说，某一种写法虽然没有见过，但大脑却能自动将这个字识别出来。这种模式识别行为虽然已司空见惯，但它是人类最重要的智能行为。机器模式识别的能力在很大程度上反映了其智能化的程度，是人工智能的核心之一。

中国科学院院士谭铁牛认为，在过去的几十年中，机器的模式识别技术取得了长足发展，在特定领域得到了成功的应用，现有模式识别技术与生物系统相比依旧存在明显不足。一些面向特定任务的模式识别已取得突破性进展，有的性能甚至可与人类媲美，通用模式识别系统仍然任重道远。机器模式识别的瓶颈主要集中在鲁棒性差、自适应性差、可泛化性差3个方面。

这些瓶颈的突破口还要到自然界中去寻找。向生物学习，开展生物启发的模式识别，有望实现模式识别理论与方法的新突破，达到对不同任务无缝切换、对环境自主适应等目标。这种生物启发的模式识别，就是要向生物模式识别系统学习，充分借鉴脑科学、认知科学乃至心理学的先进成果，突破现有理论与方法的局限性，实现模式识别理论与方法的创新。

例如，人类能够将某种知识或者技能迁移到另一种相似的领域中。这种迁移学习的能力受到了模式识别领域研究者的关注，他们试图模仿生物从熟悉领域到陌生领域的学习方法，构建跨领域、跨模态迁移学习的模型，充分利用大量旧的已标注样本和当前少量标记数据训练新模型，解决新问题。

总之，模式识别是智能化时代的关键技术。向生物系统学习，开展生物启发的模式识别研究，具有十分广阔的创新空间与发展前景。