1．目的及意义

1.1课题研究的目的及意义

近年来，随着深度学习和卷积神经网络的不断发展，人们不仅仅关注于计算机强大的数值计算能力和数据处理能力等问题，也愈发的希望能实现人机交互。随着数字信号技术的发展和完善，图像处理相关领域对社会的发展和人们生活水平的影响也越来越大。人脸识别、车牌识别这些基础的图像识别技术以及日趋成熟，已经与人们的生活息息相关。

卷积神经网络是一种人工神经网络，目前广泛应用于图像识别、语义分析、自然语言处理方面。卷积神经网络是一种权值共享的网络结构，与其他深度学习的方法相比，具有较少的可调参数，降低了学习的复杂度；卷积神经网络在处理二维图像时，对平移、倾斜、缩放或其他形式具有高度不变性。故将其作为图像识别的方法具有高效性。

在现代社会生活中，图像识别依旧是当前的研究热点问题，拥有广泛的应用前景。例如：医疗图像诊断、人脸表情识别、图像动作识别等等，对促进社会发展就具有重大意义。

1.2国内外研究现状

在图像识别领域，近些年来一直是国内外学者的研究热点问题，图像的处理是深度学习算法最早尝试应用的领域。

在1989年，多伦多大学教授Yann LeCun提出了卷积神经网络(Convolutional Netural Netwotks).在2012年，卷积神经网络开始在图像识别领域取得突破性的成果，Hinton构建的深度神经网络取得了惊人的识别效果，主要是他在网络训练中首先引入了权重衰减的概念，有效的减小了权重幅度，防止了网络的过拟合。

随后几年，随着计算机硬件的发展，GPU加速技术的发展，使得在训练过程中可以产生更多的训练数据，2012年百度将相关技术成功应用到人脸识别和自然图像识别问题，并推出了相应的产品。2016年，InjaeLee等人先用普通人脸表情数据库训练了一个3层的深度神经网络，再使用个人的表情数据库重新训练，实现了实时的人脸表情识别。

2012年，Krizhevsky等首次将CNN应用于ILSVRC中，并在ILSVRC-2012挑战赛中他们所训练的深度卷积神经网络在图像分类任务上取得不菲的成绩，并打破了图像分类的世界纪录。随后几年的ILSVRC比赛，CNN都成了图像分类的首选方法，得到了众多参赛者的认可。2015年，微软亚洲研究院凭借深层神经网络技术的最新突破，以深层残差网络(deepresidual networks)将记录进一步刷新，首次成功超越人眼识别率。