由于代数学的深入发展,产生了解析几何、微分几何、微分方程以及各种抽象空间几何,人们已经把人脑中这种朴素的形状概念上升到一个抽象的数学表达,通过数学方程式能精确计算分析问题,但是目前的数据集呈现高数据量、高维数、非线性等特征,目前为止还没有一个通用的数学解析方法。传统的高维数据分析方法大都是采用线性的方法,比如主成分分析(PCA)、独立分量分析(ICA)、Fisher判别分析(FDA)、多维尺度分析(MDS)等,通常采用这种全局线性空间即欧氏空间来作为数据集存在的几何空间,这样对有线性结构的数据集具有很好的效果。但是这些方法分析问题的过程中,往往忽略了数据在观测空间的局部甚至全局性质,因此无法真正认识那些非线性结构的数据信息内在的本质结构,因此需要寻找一种新的机器学习算法,来研究高维空间中数据集样本点的几何特性。目前有许多学者从数据集的几何性质入手,进行大量的数据分析研究,这也促使了几何学习算法的兴起与发展。在人的感觉器官中,视觉是最重要的,人类从外界获取的信息有80%是依靠眼睛得到的,对于自然界中的物体,我们人眼只需根据它的几何面所反射光线的差别,得到一些几何图形,通过大脑神经将视网膜得到的几何图形进行自动组合成一幅物体的图像,从这些图像中就可辨识该物体。通俗的讲就是在我们接触事物的时候,首先会观察这个事物的外观等几何形状,通过形状就可以马上判断是否认识该类事物,从而再根据其它的一些具体特征来区分为不同小类。随着科学技术的不断发展,用计算机来模拟人和生物的视觉系统的计算机视觉的作用越来越大,早已成为计算机科学和人工智能的一个重要分支。我们现实中的大部分数据都是三维甚至更高,这样处理起来就比较复杂。自从仿生模式识别被提出以来,这种识别算法就在语音、图像、人脸识别、控制理论、DOA估计等许多领域中得到了很好的应用,本文首先介绍了神经元的一些特性,根据这些特性我们知道神经网络是实现仿生模式识别的十分适合的手段,因此本文对几种神经网络模型进行了简单的介绍,分别为：ABF神经网络、RBF神经网络、DBF神经网络、双权值神经网络和超香肠神经网络。本文主要从几何学习的角度出发,结合三维空间物体的几何变换、三维空间到二维空间的的射影映射和投影变换、二维图像的几何特性,在仿生模式识别算法的基础上,利用物体的几何特性,得到一种更加直接有效的几何学习识别方法。任何事物都可以通过其正面、侧面的两幅二维平面图象的唯一长宽比来简单描述。通过这些简单的长宽比数据值就可以把不同物体的基本特征区分开来。本文从实验的基础上,以车辆识别为例,采用二维图像的几何特性,提出了一种仿生识别的方法。