目前,在计算机视觉领域,主流的卷积神经网络(Convolutional Neural Network,CNN)算法专注于目标的识别和定位,且大多数采用轴对齐包围盒定位目标,而为了对图像做更深刻的语义理解,需要获取目标的方向信息。而很多基于CNN的对目标方向估计的研究,直接对指示目标方向的方向角θ进行回归和预测,而角度值在0°和360°附近存在数值上的大跳变,会对网络引入误差,因此,本文提出一种针对图像目标方向估计的新方法,采用卷积神经网络对目标方向角θ的两个单调连续的方向分量(sinθ,cosθ)进行回归。由于方向角的两个分量之间存在平方和为1的函数约束,即在神经网络中又引入了新的问题——输出约束问题,事实上很多应用有都存在输出约束问题。针对此问题,本文具体分析出现输出约束的情况,将其分为输出在值域上具有范围约束的弱约束和输出分量间具有确切函数约束的强约束,并针对每种约束,提出一般性方法改造传统CNN,构建约束性卷积神经网络(ConstrainedConvolutional NeuralNetwork,CCNN),来解决这类带有输出约束的问题,提高网络模型的适应度。方法有输出转换法和在Loss层增加约束误差法。输出转换法为采用符合条件的转换函数对输出进行转换来满足所需的约束条件,增加约束误差法则是直接将约束误差纳入神经网络的误差反向传播中,参与对权值的修正和计算,旨在建立能包含约束信息的权值参数矩阵。在输出设计为方向分量的目标方向估计网络中,具体使用提出的两种方法,分别构建约束性卷积神经网络,研究网络具体架构设计,单位化转换函数设计,以及改动后的误差反向传播推导等,给出详细方案,并进行两者的对比实验以及未考虑输出约束的传统方法的对比实验,包括对单类目标和多类目标的实验。通过单类目标方向估计对比实验,本文提出的两种方法的CCNN在提高方向分量估计精度和降低约束误差上,均优于未考虑输出约束的传统CNN。输出转换法CCNN能直接提高方向分量估计精度,完全解决约束误差的出现,在两个方面的优势均很突出。而增加约束误差法CCNN能够在不影响原输出损失的下降速度和幅度的前提下,较稳定地降低方向分量约束误差,进而提高整体估计精度,但增加约束误差法之于输出转换法,更具有普适性,在输出约束关系复杂,无法找到合适的输出转换函数的情况下也可以使用,适当降低约束误差。在对多类目标同时进行目标识别和方向估计时,两种CCNN未对目标识别性能造成影响,在方向估计上表现出的规律和单类的相同。因此,针对输出具有约束的实际问题,本文提出的通过输出转换法构建CCNN,若存在完全符合约束问题的合适的转换函数,能够大幅度减小输出误差,提高估计精度,并且直接避免约束误差的出现。而通过增加约束误差法构建CCNN,更具有普适性,可以应用于所有约束问题,能够较稳定地降低输出约束误差,进而影响输出估计误差,一定程度上也可以提高估计精度。