模式分類廣泛存在于工程實際中，一個模式分類系統(tǒng)的好壞，首先與所選特征能否較好地反映將要研究的問題密切相關(guān)。因此，設(shè)計和獲取特征是設(shè)計模式分類系統(tǒng)的第一步。很多情況下，我們可能已經(jīng)得到了一組特征，這些特征中可能有很多特征與要解決的問題并不密切，在后續(xù)的分類器設(shè)計中可能會影響分類器的性能。另一方面，有時很多特征都與分類問題密切，但特征過多會造成計算量大、推廣能力差等問題，很多方法可能會無法計算，因此需要在保證分類效果的前提下，選擇盡可能少的特征來分類。
　　特征提取與選擇的基本任務(wù)是研究如何從眾多的特征中求出那些對分類識別最有效的特征，從而實現(xiàn)特征空間維數(shù)的壓縮。特征提取和選擇方法很多，有基于可分性判據(jù)的特征選擇、基于誤判概率的特征選擇、離散K-L變換法、基于決策界的特征選擇、基于矩陣分解的特征提取、基于神經(jīng)網(wǎng)絡(luò)的自動特征提取等方法，這些方法各有優(yōu)缺點。一個大型復(fù)雜系統(tǒng)如果發(fā)生故障，必然表現(xiàn)在其某些指標(biāo)的檢測數(shù)據(jù)發(fā)生異常，反映數(shù)據(jù)本質(zhì)屬性的特征信息必然發(fā)生變化。如何快速有效地提取系統(tǒng)輸出信號中所包含的特征信息是大型復(fù)雜系統(tǒng)故障診斷與預(yù)測等領(lǐng)域需要解決的關(guān)鍵技術(shù)之一。
　　哪些信息是系統(tǒng)的特征信息？如何描述這些特征信息？如何及時發(fā)現(xiàn)并從大量復(fù)雜的數(shù)據(jù)信息中提取有用的特征信息？如何應(yīng)用這些特征信息？這些問題都是現(xiàn)代信息科學(xué)與技術(shù)各學(xué)科，如電子、通信、自動控制、計算機、系統(tǒng)工程、模式識別、信號處理等面臨的帶有共性的問題。
　　筆者一直從事隨機系統(tǒng)信號處理、自動控制、神經(jīng)網(wǎng)絡(luò)和模式識別的學(xué)術(shù)、科研、教學(xué)和工程應(yīng)用等研究工作。近20年來，在多個國家自然科學(xué)基金課題的支持下，我們在特征信息神經(jīng)網(wǎng)絡(luò)提取、數(shù)據(jù)驅(qū)動特征建模等方面取得了一系列研究成果，并已將它們發(fā)表在IEEE神經(jīng)網(wǎng)絡(luò)與學(xué)習(xí)系統(tǒng)、信號處理、工業(yè)電子等匯刊上。盡快將這些研究成果介紹給讀者，推動我國信息科學(xué)與技術(shù)領(lǐng)域隨機系統(tǒng)估計理論研究的發(fā)展，是作者撰寫該書的目的和動力。