A mintafelismerésben és a gépi tanulásban a jellemzővektor olyan numerikus jellemzők n-dimenziós vektora, amelyek valamilyen objektumot reprezentálnak. A gépi tanulás számos algoritmusa igényli az objektumok numerikus reprezentációját, mivel az ilyen reprezentációk megkönnyítik a feldolgozást és a statisztikai elemzést. Képek reprezentálásakor a jellemzőértékek megfelelhetnek a kép pixeleinek, míg szövegek reprezentálásakor a jellemzők lehetnek a szöveges kifejezések előfordulási gyakoriságai. A jellemzővektorok megfelelnek a statisztikai eljárásokban, például a lineáris regresszióban használt magyarázó változók vektorainak. A jellemzővektorokat gyakran kombinálják súlyokkal pontszorzat segítségével, hogy lineáris prediktorfüggvényt állítsanak össze, amelyet egy előrejelzés készítéséhez szükséges pontszám meghatározására használnak.
Az e vektorokhoz kapcsolódó vektortér gyakran jellemzőtérnek nevezik. A jellemzőtér dimenzionalitásának csökkentése érdekében számos dimenziócsökkentő technika alkalmazható.
A már rendelkezésre álló jellemzőkből magasabb szintű jellemzők nyerhetők, és hozzáadhatók a jellemzővektorhoz; például a betegségek tanulmányozásához hasznos a “kor” jellemző, amelyet a következőképpen határoznak meg: kor = “halálozási év” mínusz “születési év” . Ezt a folyamatot nevezzük jellemzőkonstrukciónak. A jellemzőkonstrukció egy sor konstruktív operátor alkalmazása egy sor meglévő jellemzőre, ami új jellemzők létrehozását eredményezi. Ilyen konstruktív operátorok például az egyenlőségi feltételek {=, ≠}, az aritmetikai operátorok {+,-,×, /}, a tömboperátorok {max(S), min(S), average(S)}, valamint más, bonyolultabb operátorok, például a count(S,C), amely megszámolja az S jellemzővektorban lévő, valamilyen C feltételnek megfelelő jellemzők számát, vagy például a más felismerési osztályokhoz való távolságokat, amelyeket valamilyen elfogadó eszköz általánosít. A jellemzőkonstrukciót régóta hatékony eszköznek tekintik mind a pontosság, mind a struktúra megértésének növelésére, különösen a nagydimenziós problémák esetében. Alkalmazásai közé tartoznak a betegségek és a beszédből történő érzelemfelismerés tanulmányozása.