本毕业设计所选的课题为“基于卷积神经网络的船舶类型识别的设计与实现”。

1.研究目的：

目前国内外已经有比较成熟的图像识别技术，并且这些技术也已经比较广泛地应用到了如车辆类型的识别、车牌号码的识别、人脸识别等领域，但关于船舶类型的识别在国内外都比较少提及。而在人工智能领域关于卷积神经网络（Convolutional Neural Networks-简称CNN）的研究也在不断地深入，发现其在图像识别的应用中有着极其巨大的优势以及潜力，因此本文欲通过对图像识别的分析结合对CNN的探究以实现船舶类型识别的功能。本次研究的目的就在于将基于神经网络的图像识别运用到船舶类型的识别之中，尝试解决噪声干扰等问题对图像识别的影响，研究并利用神经网络的特点与优势，实现更加快速且精准的船舶类型识别。

2.国内外研究现状分析：

1）目前国内外对于图像识别的研究已经非常深入，图像识别的发展经历了三个阶段：文字识别、数字图像处理与识别、物体识别。文字识别的研究是从1950年开始的，一般是识别字母、数字和符号，从印刷文字识别到手写文字识别，应用非常广泛。数字图像处理和识别的研究开始于1965年。物体的识别主要指的是对三维世界的客体及环境的感知和认识，属于高级的计算机视觉范畴。它是以数字图像处理与识别为基础的结合人工智能、系统学等学科的研究方向，其研究成果被广泛应用在各种工业及探测机器人上。

在实际应用中，数字图像处理已经广泛地运用到了车辆类型识别、车辆号牌识别和人脸识别等领域，在这些领域的应用中也出现了许多的改良与革新，比如将深度学习和机器学习与图像识别进行结合，其中就包含了CNN即卷积神经网络（Convolutional Neural Networks）。

卷积神经网络是近年发展起来，并引起广泛重视的一种高效识别方法。20世纪60年代，Hubel和Wiesel在研究猫脑皮层中用于局部敏感和方向选择的神经元时发现其独特的网络结构可以有效地降低反馈神经网络的复杂性，继而提出了卷积神经网络（Convolutional Neural Networks-简称CNN）。现在，CNN已经成为众多科学领域的研究热点之一，特别是在模式分类领域，由于该网络避免了对图像的复杂前期预处理，可以直接输入原始图像，因而得到了更为广泛的应用。

2）现代图像识别技术的一个不足就是一旦图像被较强的招生污染，或者目标图像存在较大的残缺往往很难得出理想的结果，也说明这种技术的自适应性能差。另外一个方面就是关于图像的压缩算法，因为基于深度学习的图像识别需要对机器进行相关的训练，而进行训练则需要大量的图像数据，有效的图像压缩技术能够很好地节省机器的存储空间已经提高传输的效率和稳定性。

3）总结以上内容，国内外在图像识别方面的研究已经有了一定的成果并成功地于用到了许多的领域，图像识别的研究没有停止依然在继续，图像识别与其他学科比如深度学习和机器学习的结合也在不断的深入，但目前图像识别仍然存在自适应性差和需要更加高效的算法等不足。