随着人类社会的发展和科学技术的提升,目标识别技术越来越被人们所需求,它现在已经成为计算机视觉领域中的重要课题之一。随着深度学习的发展,神经网络已广泛应用于目标识别技术。利用卷积神经网络(Convolutional Neural Network CNN)进行特征的提取是深度学习中目标检测的关键。但是CNN只能提取物体的局部特征,无法提取目标物体的全局特征。因此结合能够提取序列相关信息的递归神经网络(Recurrent Neural Network RNN)可以很大程度提高准确率,特别是对物体中有部分局部信息缺失的情况下可以通过序列信息提取更充分的特征以提高识别准确率。本文通过对目标识别的传统算法和深度神经网络算法的研究,分析其中的优缺点,将序列信息有效的应用到神经网络中。在车牌检测和高光谱分类中利用序列信息分别提出了创新的网络模型和相应的创新算法:一、针对污损遮挡等局部信息丢失的车牌,由于传统算法对于该类没有完整轮廓的车牌很难检测。而现今经典的目标检测神经网络模型则需要大量该类车牌作为训练集,而该类车牌在现实生活中很难搜集。因此本文提出了一种卷积循环神经网络,可以仅利用普通车牌作为训练集,通过提取局部信息和上下文序列信息来有效地检测车牌。二、由于在污损遮挡车牌中候选框的提取很大程度的影响检测精度,但是针对局部信息丢失的车牌利用RPN等经典的候选框提取方法很难提取出完整的车牌。因此本文为了能够更好的利用序列信息提高检测精度,提出了一种针对车牌特性的Anchor机制,该机制通过精细样本很大程度的提高检测准确率。三、在高光谱分类中,现今神经网络模型已经取得了很好的成果,但是由于高光谱数据拥有维度很深的光谱波段,这些光谱波段间也存在着相互的依赖性,而一般的卷积神经网络并不能有效的提取这些光谱间的序列信息,因此本文提出了一种循环卷积神经网络,有效地提高了分类精度,并且序列信息的提取也大大的增加了模型的鲁棒性。