模式识别旨在使机器自动感知、识别与理解外界，是机器学习、计算机视觉等领域的基石[1]。其知识体系严谨而系统，从经典贝叶斯分类、支持向量机到深度神经网络，共同编织了驱动智能产业发展的核心技术[2]。随着人工智能技术从实验室走向千行百业，社会对人才的需求发生了深刻变化，高校的培养目标已从侧重于传授理论基础，转变为更加注重培养能创造性解决实际问题的复合型创新人才[3]。

然而，当前课程教学因内容涉及大量数学理论，课堂教学的大部分时间不得不投入公式的推导和算法的讲解[4]。这种“满堂灌”模式极易将课堂变为枯燥的“数学课”，使学生陷入被动接收状态。一个普遍现象是，学生虽能在考试中复现推导，却不理解这些公式与纷繁复杂的现实问题有何关联，更不知如何将实际需求转化为可计算的模型[5]。这种理论与实践脱节严重挫伤了学生的学习热情，导致课程教学目标在很大程度上落空。因此，如何创新教学模式，架设一座连通抽象理论与鲜活应用的桥梁，已成为模式识别乃至类似工科课程改革的核心议题[6]。

案例教学法，其核心是通过精心设计的真实或仿真情境案例，将学生置于“实践者”或“决策者”的位置，引导其在分析、解决问题的过程中主动建构知识[7]。将案例教学法引入模式识别课程，正是希望借助其强大的情境创设与问题驱动能力，打破理论教学的封闭性。本文将探讨其在课程中的设计逻辑、实施策略、支撑体系及成效，以期为工程教育的教学创新提供参考。

在此背景下，本研究提出“三层递进式”案例教学模型，旨在实现一种结构化的融合创新。在理论上，本模型明确构建了“知识建构–能力迁移–创新生成”的三阶段学习路径，将案例教学的情境锚定、PBL的问题驱动与翻转课堂的深度互动进行了时序与功能上的系统整合，为理解混合式教学如何支持工程创新能力递进发展提供了新的分析框架。在实践层面，相较于单一的案例教学或PBL，本模型的独特性与改进在于：

1) 它通过“基础夯实层”案例，首先确保标准化工程流程的掌握，为后续创新奠定了坚实的共同实践基础，克服了PBL初期因知识碎片化导致的效率低下问题；

2) 在“能力提升层”和“综合创新层”，模型将翻转课堂解放出的线下时间，系统性地用于开展基于复杂、真实案例的深度PBL工作坊与路演，使得高阶能力的培养不再是点缀，而是拥有了结构化、可重复的实施载体，从而实现了从“知道”到“做到”再到“创造”的贯通式能力跃迁。

本研究提出的“三层递进式”案例教学模型，立足混合式教学模式与过程性评价体系，有效破解模式识别课程理论与实践脱节难题。其中“能力提升层”作为衔接基础与创新的核心环节，选取中等难度的“自然场景文字检测与识别”案例展开实践，既巩固基础算法知识，又培养工程实践能力。该案例贴合实际应用场景，以街景、海报中的文字为识别对象，需解决背景复杂、字体多样、倾斜模糊等问题，引导学生将CNN、特征提取等理论知识转化为工程解决方案。案例实施遵循线上线下深度融合模式，线上环节让学生自主学习文字检测算法(如YOLO、EAST)原理与代码基础，完成数据集预处理(格式统一、去噪、数据增强)与模型初步搭建；线下聚焦核心难点，通过工作坊形式开展深度研讨与实践。

本次线下“文字检测识别模型优化与成果”工作坊，时长90分钟，紧扣混合式教学理念，凸显教师引导者与教练的角色定位。工作坊前期，教师提前跟踪各小组线上学习进度，针对数据预处理不规范、模型参数设置不合理等问题提供支架式指导。活动中，先以10分钟梳理线上学习重点与本次任务，随后30分钟小组协作调试模型，教师巡回答疑，重点指导学生解决背景干扰、文字粘连等难点；接着35分钟开展成果路演，各小组展示模型性能、优化过程，相互互评提建议，教师针对性点评，强化问题解决思路；最后15分钟总结优化方法，布置后续迭代任务。

评价环节采用多元化过程性评价，涵盖小组协作、代码规范性、模型优化效果、路演表现等维度，全面衡量学生综合能力。该案例与工作坊设计，既落实了混合式教学与过程性指导要求，又实现了从理论到实践的过渡，助力学生完成能力提升，充分体现“三层递进式”模型的结构化优势，为模式识别课程教学创新提供可操作参考。

经过数轮教学实践，案例教学法展现出显著积极效果。学生学习动机从外在的“通过考试”转向内在的“解决有意义的实际问题”，提升了课堂专注度、课后投入积极性与自主学习热情[3]。通过完成梯度案例，学生在“实践–反思–再实践”中，系统性地掌握了解决模式识别问题的科学方法论与标准化“工作流程”，其工程实现能力、系统调试能力和解决开放性问题的能力得到了实质性锻炼[10]。

尽管案例教学在提升学生实践与创新能力上价值显著，但其高质量落地仍存在诸多深层次矛盾与现实困境，并非简单的资源或技术问题，而是涉及教学逻辑、师资结构、课程生态的系统性难题。

首先，师资能力结构存在根本性错位。案例教学对教师的要求已超越传统 “理论型学者”范畴，需要兼具扎实理论体系、真实产业项目经验与前沿科研视野的复合型能力。当前多数高校教师仍以学术研究为核心导向，缺乏产业一线实践沉淀，难以设计出贴合行业真实场景、具备深度思辨价值的案例。即便具备实践基础，也普遍缺乏系统的课堂引导、过程性评价与冲突化解能力，容易导致案例教学流于形式、停留在案例讲述而非思维训练。

其次，优质案例资源存在可持续性困境。高质量案例并非简单素材堆砌，而是需要完整的教学闭环——包含背景描述、原始数据、决策冲突、多元解决方案、延伸思考题等完整要素。这类案例的开发、打磨、迭代与维护，需要课程团队长期投入大量时间与精力，且难以通过短期教学任务快速产出。而现有教学评价体系多侧重科研成果、课时数量，对案例库建设这类周期长、见效慢的教学工作缺乏有效激励与保障，导致优质案例供给不足、更新滞后，难以适配产业与技术的快速迭代。

最后，理论与实践的平衡存在内在张力。案例教学以问题导向、实践驱动为核心，天然倾向于能力训练。而专业教育又必须保证理论体系的完整性与逻辑性。在有限课时与教学目标约束下，二者极易出现失衡。过度侧重案例实践，会导致学生理论基础碎片化、知识体系不扎实。过度强化理论讲授，又会使案例实践沦为点缀，丧失其应有的启发性与训练价值。这种平衡并非简单的时间分配，而是教学理念、课程设计与培养目标的深度协同，是对课程团队教学智慧与顶层设计能力的长期考验。

综上所述，案例教学法是破解当前模式识别课程教学中理论与实践脱节困境、提升创新人才培养质量的有效途径。它通过将学习活动锚定在真实问题情境中，有效激发了学生的内生动力，并促进了理论知识向实践技能与创新能力的转化。

展望未来，随着人工智能技术快速演进(如大语言模型、生成式AI兴起)及与多学科深入交叉，模式识别课程的内涵不断拓展。其案例教学也需与时俱进，向更深、更广、更开放发展：体现内容前沿性，及时将AI最新进展转化为教学案例；强化应用跨学科性，设计深度融合特定领域知识的复杂案例；鼓励教学开放性，支持学生开展自主探究式学习。为实现此愿景，需学术界与教育界共同努力，建设开源、共享、可迭代的优质教学案例库生态系统，并系统开展教师案例教学能力培训，从而为培养引领未来智能时代的卓越人才奠定坚实基础。

本文受西安理工大学校级项目YJG2025021支持。

^*通讯作者。