深度学习能够自主地从大量复杂图像数据中学习到图像深层特征。相较于人工设计的浅层特征,深度学习具有更好的特征表达能力。卷积神经网络是深度学习应用最为成功的模型之一,并被广泛用于图像识别、目标检测以及图像修复等领域。本文根据深度学习在图像特征表示方面的优势,研究两种新型的卷积神经网络模型,并将其分别用于车牌检测和单幅图像雨滴去除。这对进一步推动科研成果转化为实际应用具有重要理论指导意义和实用价值。具体研究内容如下:1、本文重点研究主成分分析网络和极深网络。对于主成分分析网络,它是一种结构简单的深度特征表示模型,常用于图像分类和识别。而对于极深网络,它则是一种残差学习的深度特征表示模型,非常适合于图像修复。2、传统的车牌检测算法多利用浅层的人工特征,在复杂场景下车牌检测率不高。本文提出的基于主成分分析网络的车牌检测算法,能够利用级联的主成分分析卷积层无监督地逐级提取车牌图像特征,可有效提高算法的鲁棒性。算法首先采用Sobel算子边缘检测和边缘对称性分析获取车牌候选区域;接着将候选区域输入到主成分分析网络中进行车牌深度特征提取,并利用网格搜索策略设置网络最优参数;然后采用支持向量机实现车牌区域判别;最后采用非极大值抑制算法标记最佳车牌检测区域。实验结果表明提出的算法鲁棒性好,检测率高。3、雨滴严重影响了图像的视觉效果和后续图像处理及应用,而基于单幅图像的雨滴去除由于没有视频去雨的时域信息,吸引了各国学者广泛关注。本文提出的一种新型基于深度学习的单幅图像去雨算法,能够有效利用深层级联的卷积层,学习有雨/无雨图像亮度信息之间的残差特征,并将残差特征与原雨滴图像重构,获得无雨图像。实验结果表明,本文所提单幅图像雨滴去除算法在雨滴去除的效果上优于当前最新的算法。