由于本人比较喜欢数学，做的东西也很数学化。所以经常有人问我怎么用数学来包装论文的事情。潜在的意思是，有数学的论文好发，比没有的较容易接收，看上去也似乎有学问。
我想说的是：数学很重要，但是绝对不要迷信数学！
做科学研究最基本的就是你对问题的认识和理解，在这个基础上产生的解决问题的想法，以及最后形成的方法。而不是在于数学多少。
数学所起的作用本人认为主要在两个方面：
1）表达你的思想，
2）提供你解决问题的工具和相关想法。
所以，数学很重要。
但是我们也要明白数学并不是解决问题本身，而在其中或是其后。所以解决问题并一定要用数学。那种提出个想法把问题解决了，想发论文发不出去，总想找个数学包装一下的想法是要摒除的。我了解的这个圈子中有一些人，教人故弄玄虚，为了包装论文想办法加数学的事情屡见不鲜。更有甚者，教人怎么用数学唬人发论文的。真是无奇不有。
一方面，就发出来的论文来说，全文没有一个数学公式的优秀论文多的是。idea好，能解决问题，这是首先的。如果没有必要非用数学，迷信数学干什么呢。如果真有数学在里面，可以让那些专门懂或是喜欢数学的人去做。就模式识别和机器视觉来说，看看这两年优秀的CVPR、SIGGRAPH论文，是不是有相当一部分是没有数学公式的。
如果相关的论文发不出来，应该从自身找原因。是不是对问题理解不够而表达不好，是不是表现说明问题方法不够好，是不是实验设计有问题、不够让人信服，等等。出了问题，应该首先想想这些。而不是去找外因。
另一方面，有一大堆数学的并一定就是好文章。本人对此深有体会，大家一定不要迷信。如果idea本身就不好，推一大堆数学有什么用呢？我就见过一些做学问的人，本身矩阵计算基础不错，就迷信于推导数学公式。动辄就评论别人的文章太简单，岂不知自身就陷入推导公式的谜局，而找不清问题本质在哪儿。大家可以看看science、nature上的论文有几篇是一大堆数学公式的（当然，我并不是说上面的都是好论文）。
但是，我也想强调一下，有生命力的算法一般都是有数学作为支撑的。有时候一些算法发出来，并没有好的数学在里面，但是很好用，后来的人想办法从数学的角度重新理解和改善相关算法，使之完善。boosting就是一个典型的例子。现在在基于子空间的分类领域也有人在做这样的事情。
所以，如果有时间有兴趣，数学学的越多越好。
对于不喜欢数学的，不要迷信数学；对于数学很强的，不要困于数学。把注意力放在问题本身上，尽量发挥自己的长处才是王道。