第1章 绪论 1
1.1引言与导学 1
1.2随机信号的概念和系统的表征 3
1.3统计信号处理的贝叶斯框架 6
1.4病态条件下的逆问题（反演）及其求解思路 8
1.5搜索及优化计算 10
1.6如何有效地利用本书 12
1.7总体思路与写作布局 13
第2章 统计推断与贝叶斯预测 17
2.1引言与导学 17
2.2贝叶斯估计基础 18
2.3贝叶斯估计 26
2.4期望-最大算法 37
2.5高斯混合模型的设计 39
2.6贝叶斯分类 42
2.7随机过程空间的建模 48
参考文献 50
第3章 优化理论与搜索计算 52
3.1引言与导学 52
3.2最优化问题的下降迭代搜索 53
3.3一维搜索（线性搜索） 57
3.4无约束最优化方法 67
3.5约束最优化方法 79
习题 91
参考文献 92
第4章 参数估计与信号检测 94
4.1引言与导学 94
4.2参数估计初步 95
4.3最大似然估计 102
4.4线性最小均方估计 105
4.5最小二乘估计 109
4.6信号检测基础 111
4.7判决准则 115
4.8检测性能及其蒙特卡罗仿真 125
习题 129
参考文献 131
第5章 数据建模与系统辨识 133
5.1引言与导学 133
5.2数据建模与系统辨识基础 135
5.3 AR（1）模型 140
5.4 ARMA（n,m）模型 145
5.5 AR模型参数的直接估计法 149
5.6 AR模型在语音分析与合成中的应用 157
习题 160
参考文献 161
第6章 自适应信号处理 163
6.1引言与导学 163
6.2性能测量方法 165
6.3基本自适应算法 176
习题 190
参考文献 190
第7章 模式识别的统计方法 192
7.1引言与导学 192
7.2模式的特征与基于模板匹配的识别 195
7.3基于统计决策理论的识别 200
7.4语音信号的产生机理、模型与搜索算法 201
7.5语音信号处理中的统计模式识别 205
习题 213
参考文献 214
第8章 基于统计的数据挖掘 216
8.1引言与导学 216
8.2非参数模型 218
8.3标准线性模型 221
8.4广义线性模型 224
8.5图模型 231
8.6基于统计检验标准的数据挖掘方法评价 237
8.7基于计分函数的标准 241
8.8贝叶斯标准 242
8.9计算标准 243
参考文献 246
第9章 人工神经网络及其应用 248
9.1引言与导学 248
9.2误差信号的反向传播算法 250
9.3径向基函数网络 259
9.4自组织化映射 262
9.5学习向量量化 264
9.6 Hopfield神经网络 265
9.7双向联想存储及其改进 270
9.8玻尔兹曼机和平均场理论学习 274
9.9神经网络在人脸识别中的应用 279
习题 283
参考文献 287
第10章 机器学习及其应用 289
10.1引言与导学 289
10.2机器学习的基本问题和方法 292
10.3统计学习理论的核心内容 296
10.4支持向量机 305
10.5支持向量机的应用与研究 312
参考文献 318