计算机视觉是指用摄像设备和计算机模拟人类视觉对目标进行识别、跟踪、测量的机器视觉,通过对图像的识别分析对其中的图形进行进一步处理,使其成为更适于仪器分析和人眼观察的图像。计算机视觉能够在客观世界感知三维场景、识别和理解,能够实现视觉感知、图像识别、人脸识别、目标定位等。在现代社会中计算机视觉及相关的算法具有很总要的研究价值。卷积神经网络在局部感知、信息捕捉的优势,使其在计算机视觉的研究方面发挥了重要的作用。卷积神经网络利用多个卷积层的运算,能够在不同的尺度上抽象出图像局部特征,具有强大的网络表达能力、数学映射特性。深层次的神经网络更能够解决数据量小或特征点过多带来的过拟合问题。然后随着对于卷积神经网络在图像研究方面的深入,目标识别有了更多的改进,但是网络层次加深引入了更多的特征导致对数据的依赖和计算资源加大的问题亟待解决,同时如何将已训练好的网络特征迁移到未知的领域也是值得应用的。因此卷积神经网络的特征迁移研究和网络调整还有着重要的意义。目前,主流卷积网络还存在对大规模训练数据的依赖的问题。论文在充分研究卷积神经网络在目标识别算法的基础上,从性能改进的角度,提出了四个方面的改进:1.针对神经网络的上层的特征参数过多,导致数据冗余,计算复杂度较大等问题,针对池化层使用最大化池化替代均值池化,增强了图像的识别度,针对多层全连接层进行网络调整,减少参数的方法。2.利用迁移学习算法,对水平视角下的已训练好的目标识别器,对特征参数使用kmeans算法进行聚类迁移,完成迁移学习工作。3.针对Softmax分类器的高斯损失类内间距离大的问题,引入Center Loss,调整类内间距离。4.利用Tensor Flow框架完成了GPU并行化计算设计。论文在VOC、MIT数据集上进行了实验,实验结果表明改进的迁移算法在这些数据集上都取得了非常有竞争力的结果,提高了算法对于目标识别的准确率。