本文首次借助偏微分方程,引进一种全新的模式识别方法。我们知道模式识别最终的目的是通过已知的真实样本来寻找一条曲线或者曲面,将其作为分类器,可以把我们指定的一些样本分开,进而达到识别的效果。通过对特征空间中样本点的分布分析,我们发现这条曲线(面)一定为空间中满足某些指定条件的某个或某些函数的图像。而通过对一些特定的泛函极小化,可以得到函数的隐式表达式,这些表达式又恰恰反映了我们需要寻找的曲线(面)的特征。因此利用找到的隐式表达式构造出分类器去完成模式分类就构成了本文的核心内容。 本文分为三部分。首先,我们利用无边缘能动等高线模型能够寻找到离散点集合边界的这一性质,首次将该模型作为一种模式识别的分类器,并且将其应用在手写签名识别中。 其次,文中考虑了无边缘能动等高线模型的一个推广-Munford-Shah模型。利用该模型,对模式识别中那些样本点分布不均匀的识别问题建立了分类器,并将其应用到人脸检测中。 最后,对于在同一个待测目标中含有多个不同类别,且其特征差异不明显的多相分类问题,我们引入了多相Munford-Shah模型。通过对这个模型极小化,我们可以得到一个同时对多个类别进行分类的分类器,并将这个分类器应用到显微尿沉渣图像的细胞识别中。