课题研究背景和意义：

随着信息技术的飞快发展，信息充满人们的日常生活。而图像在所有信息中占据最重要的地位，它包含信息量大，而且易于被人们接受，相比于声音和文字，图像更加直接。因此，图像处理具有现实研究意义和广泛的应用前景。

图像识别，是图像处理最主要的用途之一，其目的是让经过训练的电脑在待检测图片中提取信息，并加以识别。图像识别之所以被深入研究，发展迅速，是因为其广泛而且重要的应用价值，目前图像识别技术成熟，广泛应用于人脸，数字及其他物件的识别中，同时在农业，商业，军事以及日常生活中也很常见：在军事领域，无人机侦探，导弹精确打击，军事目标锁定，雷达警戒系统等等，无一例外是以来图像识别技术；在公共安全领域，机场安检，恐怖分子搜查，公共交通安全，车牌定位，目标追踪，移动物体侦测也都和图像识别息息相关，无论是政府还是个人，从公众场合到个人室内，图像识别都带来了很大的便利；在农业领域，图像识别技术大大提高分选品种，物种识别，产品营养成分分析，农作物病情分析的效率和准确率，使得农产品产量大幅度提升，营养价值大大提升；在日常生活中，更是时时刻刻都用到了图像识别技术，比如说现在比较热门的智能家居，最新的手机，人脸识别就是一项比较成熟的图像识别，另外视网膜扫描，指纹扫描和其他门禁系统也都是如此，医院临床医学仪器通过图像识别对病情做出判断和分析等等，这些应用都具有重要的现实意义。

深度学习研究现状（国内外）：

人工神经网络研究是人工智能领域的一个重要分支，在对生物神经网络结构及其机制研究的基础上，构建类似的人工神经网络，使得机器能直接从大量练习数据中学习规律。其研究最早可以追溯到1957年Frank Rosenblatt提出的感知机模型，他在《The Perceptron: A Probabilistic Model for Information Storage andOrganization in the Brain》建立了第一个人工神经网络模型。

20世纪80年代，人工神经网络反向传播算法诞生，这种方法无需人工置顶规则，而是让机器在大量训练样本中寻找统计规律，相比以前的方法，神经网络在很多方面优势明显。神经网络实际上只含有一个隐含层，是一种浅层学习模型。90年代后期，最大熵方法，SVM等一些模型在理论和实战方面的优越性，使得人工神经网络领域的研究变得缓慢。

2006年，深度学习的总是 Hinton 阐述了两个重要思想： 其一、隐含层层数增加可以使网络学习能力增谦，学到的特征更加贴近物体本身； 其二、多层神经网络系统训练时间长，训练难度大，但是如果每一层单独训练，训练的难度和时间都会得到改善。文章中，每一层的“单独训练”均是无监督学习。

2010年以来，随着理论不断创新和运算能力的增长，深度神经网络被应用到许多领域并且取得了巨大的成功。2011年，微软将深度学习应用到语音识别中，识别率达到了70%-80%，2012年在ImageNet图像识别挑战赛中DNN更是将识别错误率从26%降低到了15%；世界著名生物医药公司默克公司用深度学习算法预测各类分子中哪些分子可以成为药物，这一方法在实践中远胜于其他方法，在生物制药领域掀起轩然大波；同年，Google公司启动Google Brain项目，吸引了公众关注，该项目是由斯坦福大学著名机器学习专家Andrew Ng和计算机系统专家Jeff Dean负责，他们设计了一个机器学习模型，该模型用16000个CPU Core组成一个并行计算平台，一共有10亿多个节点，该模型被用来训练一种称为“深度神经网络”的结构。实践表明，该套系统能从大量的训练数据输入到算法中，而没有人为设定边界，系统会自动从中学习，系统可以自动领悟这些概念。2012年11月，微软开发的一套“全自动同声传译系统”在天津公开展示，这套系统可以事实讲演讲者的英文演讲翻译为中文，并流畅发音，系统核心就是深度学习。2013年百度宣布成立深度学习研究所；2016年3月DeepMind团队研发的围棋软件AlphaGo以4：1的巨大优势战胜了世界围棋管局李世石，2017年，AlphaGo的升级版Master以压倒性的优势在乌镇赢得了柯洁。

2. 研究的基本内容与方案

基本内容