图像处理技术一直是机器视觉和人工智能领域的热门研究内容,在无人驾驶、人脸识别、人工智能等领域都有着重要的研究意义。图像处理技术的核心思想是,借助计算机辅助分析手段进行图像检测和识别,实现图像序列的语义解析。由于图像中噪声的不确定性、特征点提取与匹配的运算量、多分类问题的复杂度,给传统的检测与识别算法带来困难。本文针对传统的目标检测与识别算法进行了重点研究,提出了改进的图像处理算法,并且考虑到在不同环境背景下的检测与识别的要求,对神经网络的检测与识别算法展开研究,并提出了改进的神经网络算法,实现了对目标物体的精准定位与准确识别的功能,克服了传统的目标检测与识别算法的缺陷。首先,本文针对图像预处理阶段的主要算法进行理论研究以及仿真实验对比,并结合OpenCV函数库分析现有滤波方法,由于现有的滤波方法不能够满足不同环境背景下的去噪效果,因此提出自适应滤波算法,将动态改变滤波窗口大小的算法融入到去噪方法中,实现了在不同环境背景下对噪声的有效滤除;在目标检测阶段,本文分别分析了静态景物、动态目标的提取方法,从动态目标检测的帧间差法、背景差法以及光流法着手,进行了深入的仿真分析。考虑到多帧图像序列是由单帧图像序列堆叠而成的,重点对静态目标检测算法进行研究,在此基础上,总结出静态目标检测算法的特点,针对现有的特征提取算法进行改进,实现了冗余匹配点对的有效剔除,提升了检测的效率;然后,在目标识别阶段,由于背景的复杂程度、目标运动姿态的非刚性变化,传统的二分类算法不能满足现实分类的要求。因此,针对多目标分类问题,本文在深入研究最常用的SVM二分类算法的基础上,采用先验证后分类的手段,提出了改进的多层级分类算法,弥补了二分类算法的不足,实现了对多目标问题最大程度上的识别;最后,本文重点研究了神经网络算法的优势及其改进算法,考虑到传统算法及其改进算法的局限性,对比分析了神经网络算法较传统的检测与识别算法优势,验证了 SSD、YOLO两种网络模型各自特点。通过仿真实验结果可以看出现有网络模型对于微小的物体检测与识别的效果不佳。因此,在结合现有模型的同时,本文提出了目标置信域以及反向传播的算法,对神经网络进行改进,有效的提高了目标检测与识别的检测精度与实验结果的鲁棒性。