模式识别技术的优点模式识别技术类似于人类认知和识别的特征，而生物信息的特征等同于一个人的真实姓名。 （1）类似于人类的认知和认可。模式识别技术具有自己的特点。通过对生物特征信息的测量和比较分析，确定样品是否与保留的模板一致。模式识别技术的特征类似于人类的识别和认知。 （2）等同于该人的真实姓名。一个人的生物学特性与该人本身紧密相连，无法分开。对人进行模式识别之类的生物特征认证就像识别交易对手的姓名是否与其生物学信息特征相一致，就像用生物学信息合法的物理证据重新检查一个人的真实姓名一样。例如，指纹是合法的物理证据。模式识别技术的缺点模式识别技术具有“拒绝率”高的缺点。因此，“有效识别率”和“误识别率”以及通过有效采样获得的特征点很少，这可能容易引起认证的错误判断。 （1）拒绝率和错误识别率。模式识别是对生物信息进行测量，获取相关数据，然后计算样本与预留模板数据之间的一致性程度，比较设定阈值的误差，从而达到分析判断的目的。该阈值的错误统计识别特性使得传统的模式识别技术具有“拒绝率”高的缺点。和“误识别率”。如果匹配阈值得分大，则“拒绝率”为“ 0”。将增加;如果匹配阈值分数小，则“错误识别率”为“ 0”。也会增加。 （2）限制特征点的数量。模式识别是对生物信息进行测量，然后计算样本与预留模板之间的一致性程度，并比较设定阈值的误差，从而达到分析判断的目的。本节有一个重要前提，即模式识别是基于某个采样点的生物信息的测量。模板和模板的有效采样点小于一定数量，通过比较设置阈值误差将达不到分析判断的目的。传统的人脸识别有效地采样了很少的特征点，这些特征点很容易引起误判，因此无法广泛使用。模式识别研究方向模式识别通常称为模式分类。从问题的性质和解决问题的方法的角度来看，模式识别分为监督分类（SupervisedClassification）和非监督分类（UnsupervisedClassification）。两者之间的主要区别是每个实验样品所属的类别是否事先已知。一般而言，监督分类通常需要提供大量已知类别的样本，但是在实际问题中，存在一定的困难，因此有必要研究非监督分类。模式也可以分为两种形式：抽象形式和具体形式。前者，如意识，思想，讨论等，属于概念识别研究的范畴，是人工智能的另一研究分支。我们所指的模式识别主要是指对象的特定模式的识别和分类，例如语音波形，地震波，心电图，脑电图，图片，照片，文本，符号和生物传感器。模式识别研究主要集中在两个方面。一种是研究生对象（包括人）如何感知对象，属于认知科学的范畴，另一种是如何使用计算机来实现给定任务下模式识别的理论和方法。前者是生理学家，心理学家，生物学家和神经生理学家的研究内容。近几十年来，通过数学家，信息学专家和计算机科学家的努力，后者取得了系统的研究成果。该计算机用于识别和分类一组事件或过程。标识的事件或过程可以是特定的对象（例如文本，声音和图像），也可以是抽象的对象（例如状态和程度）。这些对象不同于数字形式的信息，称为模式信息。分类数量