876《人工智能基础》2026年考试大纲
一、考试的基本要求
要求考生系统理解人工智能的基本概念、发展脉络和分支领域，
从理论模型、算法原理和实现流程三个维度掌握机器学习(监督/无
监督学习分类、逻辑回归与聚类算法)、人工神经网络(神经元结构、
激活函数、训练方法)以及深度学习(CNN原理、强化学习框架)
知识。针对简单的应用问题，能够选择、设计合适、有效的算法。
另一方面，要求考生比较系统地掌握主流人工智能技术的基本概
念、基本原理和实践路径，包括：自然语言处理、计算机视觉、语音
信号识别等领域，并运用Python(或C语言)工具实现。
要求考生具有较强的抽象思维能力、逻辑推理能力、算法设计能
力，以及将人工智能技术应用于实际问题的综合能力。
二、考试方式和考试时间
闭卷考试，总分150，考试时间为3小时。
三、参考书目(仅供参考)
《人工智能导论》，姜春茂，清华大学出版社，2021年
四、试题类型：
主要包括编程题、综合题等类型，并根据每年的考试要求做相应
调整。
五、考试内容及要求
第一部分 人工智能基础
掌握：人工智能的核心定义与发展目标;人工智能在互联网、制
造业、金融消费等领域的典型应用场景;机器学习模型与推理符号模
1
型的区别;人工智能与大数据、深度学习的技术关联性;Python基础
语法(数据类型、字符串、列表/元组/字典操作);流程控制(条件判
断、循环);函数定义与调用;NumPy数组创建、索引及矩阵运算;
文件读写方法。
熟悉：人工智能行业图谱与经典问题求解思路;第三方模块安装
与使用(2.3节);Matplotlib绘图;矩阵的存储表示方法。
第二部分 机器学习
掌握：机器学习的基本定义与核心任务;监督学习、无监督学习
与典型场景;数据预处理和特征工程(缺失值处理、标准化、特征选
择、维度变换);基于sklearn库的数据集加载、模型训练与评估;逻
辑回归与分类;线性回归与预测;K-Means聚类算法。
熟悉：机器学习在典型领域的应用范式;分类与回归问题;特征
降维技术(PCA);结果的可视化分析。
第三部分 人工神经网络
掌握：人工神经网络的基本结构与原理;神经元模型的数学表示
(加权输入、激活函数);网络构建(层结构、权重初始化);损失函
数与反向传播机制;常用激活函数;感知器的决策原理与局限性;单
层与多层神经网络;前向网络与反馈网络;循环神经网络。
熟悉：梯度下降优化器的应用场景;过拟合的识别与缓解;感知
器解决问题;隐藏层设计对模型的影响;RNN的变体结构。
第四部分 自然语言处理
掌握：自然语言处理的核心任务与应用场景;文本分词技术;词
2
干提取与词形还原;文本分块;词袋模型;TF-IDF算法及应用;LDA
模型的基本原理与流程。
熟悉：分词工具(NLTK、Jieba);词干提取与词形还原的影响;
分块规则的设计依据;词袋模型的扩展;自然语言处理评估指标;语
义分析器的构建流程与关键组件。
第五部分 语音识别
掌握：语音信号的数字化表示与预处理;音频信号可视化;时域
到频域转换及频谱图生成;梅尔频率倒谱系数(MFCC);语音识别
系统的基本架构与识别流程。
熟悉：音频信号生成参数(采样率、振幅);频域特征的物理意
义;MFCC特征的作用;隐马尔可夫模型(HMM)应用;环境噪声
对识别准确率的影响机制。
第六部分计算机视觉
掌握：计算机视觉的核心任务与技术范畴;移动物体检测方法(帧
间差分法、色彩空间跟踪、背景差分法);CAMShift算法和流程;光
流法的运动轨迹建模;Haar级联分类器。
熟悉：OpenCV库的核心功能模块与典型应用场景;背景差分法
与背景建模;CAMShift算法的改进;稀疏光流与稠密光流;Haar特
征模板的设计依据;人脸检测。
第七部分 强化学习与深度学习
掌握：强化学习的核心要素(智能体、环境、奖励);强化学习
与监督学习的区别;马尔可夫决策过程;卷积神经网络的核心结构(卷
3
积层、池化层、全连接层);单层神经网络与CNN的差异。
熟悉：现实场景的强化学习应用范式;探索-利用权衡策略;深
度学习与传统机器学习的对比;卷积核对特征图的影响;图像分类的
评估指标。