1）信息获取
2）预处理：对获取信号进行规范化等各种处理
3）特征提取与选择：将识别样本构造成便于比较、分析的描述量即特征向量
4）分类器设计：由训练过程将训练样本提供的信息变为判别事物的判别函数
5）分类决策：对样本特征分量按判别函数的计算结果进行分类，这一步也是核心也是难点下面对其解释说明一下！
分类决策是对事物辨识的最后一步，其主要方法是计算待识别事物的属性，分析它是否满足是某类事物的条件。对于每个事物来说，由他的属性得到它的描述，表示成相应的特征向量，很简单，就是把要分类的数据的每一项属性值放在一起，因此它在特征空间中表示成一个点，称为数据点。
一般来说，同一类事物之间属性应比较近似，而不同类事物之间的属性之间应差异较大。通俗地理解就是：鱼找鱼、虾找虾、蛤蟆对象找青蛙，同一类事物都是相互联系并具有相同属性。这种现象表现在特征空间的分布中往往表现出同类事物的特征向量聚集在一起，聚集在一个相对集中的区域，而不同事物则分别占据不同的区域，也就是鱼找对象不能找蛤蟆。
因此待识别的事物，如果它的特征向量出现在某一类事物经常出现或可能出现的区域内，该事物就被识别为该类事物。这就是识别事物的基本方法。因此在特征空间中哪个区域是某类事物典型所在区域需要用数学式子划定，这样一来，满足这种数学式子与否就成为分类决策的依据。能不能采取一种数学方法把鱼和虾分开，如何确定这些数学式子就是分类器设计的任务，而一旦这种数学式子确定后，分类决策的方法也就确定了。
