对图像中的目标精确识别技术已应用在工业生产的各个方面,特别在军事,金融,高端装备,交通安全等领域,其关键技术在于如何提高图像识别的精准度以及识别速度,这直接影响了该技术的实用性和安全性。深度学习是机器学习领域的一个分支,本质是一种无监督学习算法,深度学习在自然语言处理,自然图像特征学习方面的效果远远超过了传统机器学习相关技术,传统的图像识别算法都是人工加入特定特征来识别目标的,不仅识别率低,而且提取困难,由于神经网络在架构上的特殊性,使得网络在训练过程中能够学习到样本中的内在规律,我们称之为样本特征,这种高度的抽象能力使得训练出来的网络具有极高的泛化能力。本文围绕着深度学习在目标识别方面的应用,主要展开了以下研究工作:(1)阐述了神经网络模型的基本结构,其中卷积层与池化层交叉堆叠可以学习抽象的特征,降采样层可以在最大程度保留原图信息的同时减少数据处理量,论文还详细阐述了反向传播算法。(2)介绍了一种特殊的无监督深度神经网络——深度自编码器。其输入输出向量具有相同维度,常按照输入向量的某种形式,通过隐层学习一个数据的表示或对原始数据进行有效编码。(3)提出了一种选择性搜索结合二值规范化梯度的目标检测策略,对比传统的滑动模型,实验证明本文提出的策略较其他算法能够提高6%的检测精度,达到相同检测率和召回率时能减少约1500个预选区域窗口。