Akustische Signale tragen Informationen. Das Laufgeräusch eines Lagers trägt Informationen über dessen Verschleißzustand, ein Sprachsignal trägt linguistische Informationen. Gegenstand der akustischen Mustererkennung ist die automatische Extraktion dieser Informationen aus dem Signal. Dazu wird angenommen, dass Signale allgemein ähnlich einem Musikstück sind und durch Einzelereignisse (Noten, Akkorde) sowie deren zeitliche Abfolge (Partitur) beschrieben werden können. Zu den Aufgaben der akustischen Mustererkennung zählen die automatische Aufdeckung solcher zeitlicher und räumlicher Strukturen, deren mathematische Modellierung sowie die automatische Bewertung und Entscheidungsfindung. Anhand des Laufgeräusches kann beispielsweise entschieden werden, ob ein Bauteil ausgetauscht werden muss. Aus einem Sprachsignal lässt sich die entsprechende Äußerung in Textform ableiten.

Das vorliegende Buch stellt die Grundlagen der Mustererkennung dar und behandelt wesentliche Algorithmen. Dazu zählen: Linear- und Bayes-Klassifikatoren, Supportvektormaschinen, Klassifikatoren auf der Basis von Gaussian-Mixture-Modellen (GMM) und Hidden-Markov-Modellen (HMM) sowie Klassenfolgenklassifikatoren. Weiterhin werden einige Grundlagen der Automatentheorie (Finite State Machines) sowie ausgewählte maschinelle Lernverfahren dargestellt, welche Voraussetzung für die praktische Anwendung der Mustererkennung sind: ML- und MAP-Schätzung, Gradientenverfahren und konvexe Optimierung sowie der EM-Algorithmus.

Abschließend wird anhand einer Vielzahl praktischer Beispiele aus den Gebieten der Kommunikationstechnik, zerstörungsfreien Prüfung, Maschinendiagnose sowie der Musik-, Bio- und Sprachsignalverarbeitung die breite Einsatzfähigkeit von akustischen Mustererkennungsverfahren gezeigt sowie ein Ausblick auf die zukünftige Entwicklung des Wissensgebiets in Richtung intelligenter Audiosignalverarbeitung und kognitiver Systeme gegeben.