摘要：在工业自动化，自动驾驶等领域中，精确的图像识别和分类能力是安全高效的重要保障，而传统的支持向量机SVM[1],最近邻算法[2]等分类法无法满足需求的高精度，实时性等一系列重要问题，所以我们需要提出一种全新的分类手段以解决上述问题。近年来深度学习来在语音识别、计算机视觉等多类应用中取得突破性的进展，深度学习的一个典型应用就是图像分类问题。使用深度学习的方法进行的图像分类，其最终的准确率甚至超越了人工分类的水平。本文首先对开题背景进行阐述，介绍传统图像分类法及其不足，明确课题需要研究的内容，之后通过大量阅读国内外文献，汇总并整理了深度学习领域的发展历程与研究现状，最后提出了本次任务的预期。
关键词： 机器视觉 深度学习 卷积神经网络
1 引言
通常人们认为机器学习是用数据或以往的经验，以此优化计算机程序的性能标准[3]的一种方法。由于其对数据特征的分析能力，广泛地应用于图像识别，图像分类，语音识别，信号识别等分类和识别相关领域。但是随着数据量的不断增长，各个领域对处理正确率的需求不断增加，普通的机器学习分类算法，如：支持向量机(SVM)，提升方法（boosting），最近邻算法，朴素贝叶斯算法已经无法满足现代生产的需求。
2 传统分类法与深度神经网络分类对比
传统的图像分类算法一般有以下三个步骤 1）区域选择，即使用不同大小的滑块窗选出待检测的区域；2）特征的提取，如人脸检测中常用到的HOG[6]，SIFT[7]等；3）分类器分类，如常用的支持向量机等。
传统的分类算法虽然可以比较好的解决图像分类问题，但是依然存在着一些问题，如：滑动窗口的选择没有针对性，时间复杂度比较高；特征提取不够智能，对复杂度高的素材没有很好的适应性；目标检测速度慢，精准度低等。
深度学习是机器学习算法中的一个新兴技术，模拟人脑进行分析学习的神经网络[4][5]。 以图像数据为例，哺乳动物通常的处理过程为：边缘检测，生成初始形状，然后通过抽象形成更复杂的视觉形状。深度学习对数据进行分层特征表示，实现将低级特征进一步抽象成高级特征表示，通过神经网络来执行，整个过程与哺乳动物相似，并且在大数据的条件下可以极大的提高分类精度。所以本次研究中主要使用深度学习的手段来进行图像的分类处理，以提高识别速度精度，适应生产生活的需要。
3 深度学习分类相关技术的发展历程及研究现状
F.Rosenblatt最早在1958年提出了一种前馈神经网络的感知机[8]，在这种网络中,信息只沿一个方向流动,从输入单元通过一个或多个隐层到达输出单元,在网络中没有封闭环路.但这种感知机在1969年被证明无法解决线性不可分问题（如异或操作），只能解决简单的线性分类问题，由此深度学习的发展陷入低潮[9]。
