仿生模式识别是2002年中科院半导体所王守觉院士提出的一种模式识别理论的新模型。

它是基于“认识”事物而不是基于“区分”事物为目的。与传统以“最佳划分”为目标的统计模式识别相比，它更接近于人类“认识”事物的特性,故称为“仿生模式识别”。 它的数学方法在于研究特征空间中样本集合的拓扑性质,故亦称作“拓扑模式识别”。

仿生模式识别的基点是特征空间中同类样本全体的连续性规律。以数学公式描述为: 特征空间Rn 中设所有属于A类事物的全体所做成的点集为A ,若集合A 中存在任意两个元素x与y,则对ε为任意大于零的值时,必定存在集合B ,使

B={x1,x2,x3,...,xn|x1=x,xn=y,n⊂N,ρ(xm,x(m+1))<ε,ε>0,n-1≧ m ≧1,m⊂N},B⊂A，

其中ρ(xm,x(m+1))为xm到x(m+1)的距离。

在特征空间Rn 中同类样本点之间所存在的这个连续性规律是超出了传统模式识别与学习理论的基本假定的，该假定认为“可用的信息都包含在训练集中”。但这个连续性规律却是客观世界中人类直观认识范围的客观存在的规律；因而也是仿生模式识别中用来作为样本点分布的“先验知识”，从而来提高对事物的认识能力。 对一类事物的“认识”，实质上就是对这类事物的全体在特征空间中形成的无穷点集合的“形状”的分析和“认识”。

仿生模式识别的理论分析数学工具是点集拓扑学中对高维流形的研究问题。这同传统的以数理统计为基础的模式识别显然在数学工具的基础上有根本的差别。因此与传统的统计模式识别相比，把仿生模式识别也称为拓扑模式识别.

仿生模式识别可用多权值神经网络来实现。