数字图像处理、图像理解与模式识别，这是当今计算机视觉研究的热点。图像处理与模式识别在现代信息技术中具有非常重要的作用，同时该研究领域仍然存在大量的研究难题。机器视觉技术主要是针对工业应用领域，但作为视觉系统，所采用的图像处理、图像理解与模式识别的基础理论和技术是相同的。

图像的增强、图像的平滑、图像的数据编码和传输、边缘锐化、图像的分割等在不同的研究目标和应用中会采取不同的方法，也在不断出现新的研究成果。

图像的模式识别过程实际上可以看作是一个标记过程，即利用识别算法来辨别景物中已分割好的各个物体，给这些物体赋予特定的标记，它是机器视觉系统必须完成的一个任务。

所谓模式和模式识别，从广义上说，存在于时间和空间中可观察的事物，如果可以区别它们是否相同或相似，都可以称之为模式；狭义地说，模式是通过对具体的个别事物进行观测所得到的具有时间和空间分布的信息；把模式所属的类别或同一类中模式的总体称为模式类（或简称为类）。而“模式识别”则是指在某些一定量度或观测基础上把待识模式划分到各自的模式类中去。

模式识别的方法，即数据聚类、神经网络、统计分类和结构（句法）模式识别。用于图像识别的方法主要分为决策理论和结构方法。决策理论方法的基础是决策函数，利用它对模式向量进行分类识别，是以定时描述（如统计纹理）为基础的；结构方法的核心是将物体分解成了模式或模式基元，而不同的物体结构有不同的基元串（或称字符串），通过对未知物体利用给定的模式基元求出编码边界，得到字符串，再根据字符串判断它的属类，这是一种依赖于符号描述被测物体之间关系的方法。

在20世纪70年代，波兰学者Pawlak Z和一些波兰的逻辑学家们一起从事关于信息系统逻辑特性的研究。粗糙集理论就是在这些研究的基础上产生的。1982年，Pawlak Z发表了经典论又Rough Sets，宣告了粗糙集理论的诞生。此后，粗糙集理论引起了许多科学家、逻辑学家和计算机研究人员的兴趣，他们在粗糙集的理论和应用万面作了大量的研究工作。

1991年，Pawlak Z的专著和1992年应用专集的出版，对这一段时期理论和实践工作的成果作了较好的总结，同时促进了粗糙集在各个领域的应用。此后召开的与粗糙集有关的国际会议进一步推动了粗糙集的发展。越来越多的科技人员开始了解并准备从事该领域的研究。目前，粗糙集已成为人工智能领域中一个较新的学术热点，在模式识别、机器视觉、知识获取、决策分析、过程控制等许多领域得到了广泛的应用。