| 摘要 | 第1-4页 |
| Abstract | 第4-7页 |
| 第1章 引言 | 第7-14页 |
| 第2章 统计学习与统计学习理论（V-C 理论） | 第14-31页 |
| ·统计学习的数学框架 | 第14-17页 |
| ·关于特征变量中的混合数据处理问题 | 第17-19页 |
| ·主要的模式分类与统计学习的方法综述 | 第19-25页 |
| ·决策树学习简介与最新研究动态 | 第25-27页 |
| ·统计学习理论（V-C 理论）与学习机器的VC 维 | 第27-31页 |
| 第3章 统计学习模型的复杂性评价与估计 | 第31-38页 |
| ·基本准则与OCCAM 剃刀原则 | 第31-32页 |
| ·各种学习模型的复杂性评价准则介绍 | 第32-34页 |
| ·VC 维与结构风险最小化原则 | 第34-38页 |
| 第4章 一种基于模拟计算的估计统计学习模型复杂性的新方法 | 第38-57页 |
| ·已有的估计方法 | 第38-41页 |
| ·新的估计方法 | 第41-45页 |
| ·新方法的估计值与理论推导值的比较 | 第45-50页 |
| ·新方法的优良性质 | 第50-53页 |
| ·附录：关于分位数统计量的设计及其抽样分布的分析 | 第53-57页 |
| 第5章 方法的推广及在决策树模型复杂性控制中的运用 | 第57-66页 |
| ·新估计方法对决策树的推广 | 第57-61页 |
| ·决策树模型复杂性的选择与控制 | 第61-62页 |
| ·实际数据集上的效果 | 第62-66页 |
| 第6章 总结 | 第66-69页 |
| 参考文献 | 第69-75页 |
| 致谢 | 第75-76页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第76页 |
