目前的模式识别技术会遇到局部形变、光照变化等干扰，这些瓶颈的突破口还要到自然界中去寻找。人们在观察事物或现象时，常常要把各个相似但又不完全相同的事物或现象组成一类。例如一个数字有不同的写法，对一个人来说，某一种写法虽然没有见过，但大脑却能自动将这个字识别出来。这种模式识别行为虽然已司空见惯，但它却是人类最重要的智能行为。
而机器模式识别能力则很大程度上反映了机器智能类人的程度，成为人工智能的核心之一。
实际上在过去几十年中，机器的模式识别取得了长足进展，在特定领域取得了成功的应用，但是，现有模式识别方法与生物系统相比依旧存在显著不足。当前，一些面向特定任务的模式识别已取得突破性进展，有的性能已可与人媲美。但通用模式识别系统仍然任重道远。机器模式识别的瓶颈主要集中在鲁棒性差、自适应性差、可泛化性差三个方面。
目前的模式识别技术还不够“皮实”。比如，遇到局部形变、光照变化、遮挡、凌乱背景等干扰，机器就容易出错；机器也不会像人类一样举一反三、触类旁通，而是要进行大样本的训练。这些瓶颈的突破口还要到自然界中去寻找。向生物学习，开展生物启发的模式识别，有望实现模式识别理论与方法的新突破，达到对不同任务无缝切换、对环境自主适应等目标。
这种生物启发的模式识别，就是要向生物模式识别系统学习，充分借鉴脑科学、认知科学乃至心理学的先进成果，突破现有理论与方法的局限性，实现模式识别理论与方法的创新。譬如，在我们的一篇论文中，研究人员受到人脑长短时记忆的启发，提出了一种多模态记忆网络，通过引入注意和记忆机制模块，对具有时间依赖关系的多种模态长序列进行建模，应用于诸如视频描述生成、智能对话等领域中。
又比如，人类能够将某种知识或者技能迁移到另一种相似的领域中。这种迁移学习的能力也受到了模式识别领域学者的关注，科学家试图模仿生物从熟悉领域到陌生领域的学习方法，构建跨领域跨模态迁移学习的模型，充分利用大量旧的已标注样本和当前少量标记数据训练新模型，解决新问题。总之，模式识别是智能化时代的关键使能技术。向生物系统学习，开展生物启发的模式识别研究，具有十分广阔的创新空间与发展前景。