一个模式识别系统一般工作在两个方面：训练和分类；统计模式识别的理论依据就是贝叶斯理论，当然也可采用修正的bayes理论（风险估计） ；当然bayes理论要求类的分布情况，在已知分布情况下就可直接使用，但一般这种可能性较小，对于只是知道分布函数，但不知道参数的情况，就是估计参数的过程，而在更一般情况下，对应分布是一点信息没有，这样可采用Parzen窗核函数估计其分布或直接基于训练数据建立决策边界。实际上多层感知器就是一个非参数的过程。

统计模式的一种分类方法分为指导性训练和非指导性训练；非指导性训练一般对于数据的已知信息很少，如远程的空间遥感应用，这里一般采用聚类的方法。另一种分类方法是基于决策边界是直接获得还是间接获得，前者一般是在几何空间就可完成。无论采用那种方法，训练集非常关键，主要训练的数据量要足够大而且要足够典型，这样才能保证算法的可靠性，训练集的应用上注意以下几点：训练样本的个数应该在10倍于特性数据维数；相对于训练样本，分类器的未知参数不能过多；分类器不能出现过度训练的问题。

统计模式识别方法就是用给定的有限数量样本集，在已知研究对象统计模型或已知判别函数类条件下根据一定的准则通过学习算法把d维特征空间划分为c个区域,每一个区域与每一类别相对应。模式识别系统在进行工作时只要判断被识别的对象落入哪一个区域，就能确定出它所属的类别。由噪声和传感器所引起的变异性，可通过预处理而部分消除；而模式本身固有的变异性则可通过特征抽取和特征选择得到控制，尽可能地使模式在该特征空间中的分布满足上述理想条件。因此一个统计模式识别系统应包含预处理、特征抽取、分类器等部分。