统计学习理论机器学习统计模式识别问题可以看做基于机器学习的一个特例

而基于机器学习的方法是现代智能技术中十分重要的一个方面，主要研究如何从一些样本出发得出不能通过原理分析得到的规律，利用这些规律去分析客观对象，对未来数据或无法观测的数据进行预测

统计学中关于估计的一致性、无偏性和估计方差的界等，以及分类错误率等渐近性特征是实际应用中往往无法得不到满足，而这种问题在高维空间时尤其如此

这实际上是包含模式识别和神经网络等在内的现有的机器学习理论和方法中的一个根本问题

Viadimir N.Vapnik等人在20世纪60年代就开始研究有限样本情况下的机器学习问题，但由于当时这些研究尚不十分完善，在解决模式识别问题中往往区域保守，且数学上比较艰难，而直到90年代以前并没有提出能够将其理论付诸实现的较好方法

加之当时正处在其它学习方法飞速发展的时期，因此这些研究一直没有得到充分的重视

直到90年代中，有限样本情况下的 机器学习理论研究逐渐成熟起来，形成了一个较完善的理论体系---统计学习理论

而同时，神经网络等较新兴的机器学习方法的研究则遇到了一些重要的困难，比如如何确定网络结构的问题、过学习与欠学习的难题、局部极小点的问题等

在这种情况下，试图从更本质上研究机器学习问题的统计学习理论逐步得到重视

以上内容由大学时代综合整理自互联网，实际情况请以官方资料为准。