1、監督學習（SupervisedLearning）：有類別標籤的學習，基於訓練樣本的輸入、輸出訓練得到最優模型，再使用該模型預測新輸入的輸出；

代表演算法：決策樹、樸素貝葉斯、邏輯迴歸、KNN、SVM、神經網路、隨機森林、AdaBoost、遺傳演算法；

2、半監督學習（Semi-supervisedLearning）：同時使用大量的未標記資料和標記資料，進行模式識別工作；

代表演算法：self-training(自訓練演算法)、generative models生成模型、SVMs半監督支援向量機、graph-basedmethods圖論方法、 multiviewlearing多視角演算法等；

3、無監督學習

代表演算法：主成分分析方法PCA等，等距對映方法、區域性線性嵌入方法、拉普拉斯特徵對映方法、黑塞區域性線性嵌入方法、區域性切空間排列方法等；

4、HOG特徵：全稱Histogram of Oriented Gradient（方向梯度直方圖），由影象的區域性區域梯度方向直方圖構成特徵；

5、LBP特徵：全稱Local Binary Pattern（區域性二值模式），通過比較中心與鄰域畫素灰度值構成影象區域性紋理特徵；

6、Haar特徵：描述影象的灰度變化，由各模組的畫素差值構成特徵；

7、核函式

8、SVM：全稱Support Vector Machine（支援向量機），在特徵空間上找到最佳的超平面使訓練集正負樣本的間隔最大；是解決二分類問題的有監督學習演算法，引入核方法後也可用來解決非線性問題；

9、Adaboost：全稱Adaptive Boosting（自適應增強），對同一個訓練集訓練不同的弱分類器，把這些弱分類器集合起來，構成一個更強的強分類器；

10、決策樹演算法（Decision Tree）：處理訓練資料，構建決策樹模型，再對新資料進行分類；

11、隨機森林演算法（Random Forest

12、樸素貝葉斯（Naive Bayes）：根據事件的先驗知識描述事件的概率，對聯合概率建模來獲得目標概率值；

13、神經網路（Neural Networks）：模仿動物神經網路行為特徵，將許多個單一“神經元”聯結在一起，通過調整內部大量節點之間相互連線的關係，進行分散式並行資訊處理。