Die Lehrveranstaltung behandelt grundlegende Methoden der Mustererkennung. Zunächst wird einleitend die Mustererkennung in die allgemeine Schätztheorie eingebettet und die wichtigsten Anwendungsgebiete werden diskutiert. Es folgen die Grundlagen der Mustererkennung mit der Erläuterung von Äquivalenzklassen, der lageinvarianten Merkmalsgewinnung sowie Eigenschaften wie Vollständigkeit und Separierbarkeit. In dem darauffolgenden Kapitel werden schnelle nichtlineare Algorithmen zur translationsinvarianten Klassifikation von Graubildern behandelt. Danach werden für Konturbilder ähnlichkeits- und affininvariante Merkmale hergeleitet und diese sogenannten Fourierdeskriptoren in ihren Abbildungseigenschaften und ihrer mathematischen Berechnungskomplexität untersucht. Der letzte Abschnitt behandelt den optimalen Entwurf von Klassifikatoren. Dabei wird sowohl der parametrische stochastische Ansatz (Bayes-Klassifikator) betrachtet wie auch die Herangehensweise über die Funktionsapproximation (Polynomiale Regression, Neuronale Netze, Supportvektormaschine). Die Veranstaltung läßt sich in zwei gleichgewichtete Blöcke 'Merkmalsextraktion' und 'Klassifikatorentwurf' aufteilen, die gegebenenfalls einzeln geprüft werden können. Beiden Blöcken liegen die einleitenden Grundlagenkapitel zugrunde.

Die Veranstaltung wird von freiwilligen Übungen begleitet, die mittels Webassign abgewickelt werden. Es handelt sich sowohl um theoretische Aufgaben als auch um Programmieraufgaben in der Programmiersprache Scilab. Es wird eine Scilab-Funktionsbibliothek zur Verfügung gestellt, die selbständige Experimente mit den Vorlesungskonzepten ermöglicht. Bei erreichen von 60% der Übungspunkte wird ein von der Klausur unabhängiger unbenoteter Übungsschein ausgestellt.