Die Vorlesung 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 behandelt. Der letzte Abschnitt der Vorlesung widmet sich dem Klassifikatorentwurf. Zunächst werden auf stochastischer Basis Optimalklassifikatoren entwickelt. Auf die Besonderheiten der sich dabei ergebenden Metriken und Auswertgleichungen wird näher eingegangen. Schließlich werden in einem weiteren Teil die Lösung auf der Basis der nichtlinearen Regression sowie der lernende Ansatz vertieft. Dazu gehören der optimale Polynomklassifikator sowie der lernende Ansatz mit Neuronalen Netzen mit Hilfe des Backpropagation Learning. Zuletzt wird die Support-Vektor-Maschine behandelt, ein recht neuer, statistisch begründeter Ansatz, welcher aus der gegebenen Stichprobe lernt und sehr gute Ergebnisse erzielt.