神经网络从被提出至今,进展显著,激发了各个研究领域的学者的浓厚兴趣。目标检测以及识别领域也有不少成功运用神经网络的案例。本文采用神经网络进行了特定目标的检测与识别,包括验证码识别与行人检测两个工作,均取得了理想的效果。对于验证码识别,该过程主要分为图片预处理、分割字符、识别字符三个过程,其中字符分割是该过程的最大难点。本文针对投影法分割字符时容易将单个字符误分割为多个字符的缺点进行了算法改进,采取一种延时判断字符边界的方法来改进投影法,强化边界判断的条件,取得了较好的修正效果。本文在小样本的前提条件下对比分析了BP神经网络和深度卷积神经网络的测试效果。最终选择了准确度更高、速度更快的BP神经网络进行验证码识别。本文中的行人检测主要由行人检测候选框生成和行人识别两个过程组成。针对背景分布稳定的场景,本文提出了一种基于在线高斯模型的行人检测候选框的快速生成方法(OL_GMPG)。对于上述场景,该方法采用高斯模型拟合行人尺寸分布的方式,可以通过生成较少数目的行人候选框达到较高的检测率;并可通过高斯模型的学习与更新过程,获取场景中行人频繁出现的位置以及对应的目标尺度信息,为后续的行人识别及跟踪过程提供了辅助作用,解决了每幅图像设置过多行人检测候选框,影响系统实时性的问题。本文采用深度卷积神经网络(CNN)进行行人目标的识别,卷积核大小、网络层数等参数对整个网络的检测结果与训练效率有着重要的影响。通过比较分析,本文采用深度为7,卷积核大小为9*9的CNN模型进行训练和识别,避免了传统行人识别方法复杂的特征设计和提取过程,最终获得了较好的测试效果。