计算机视觉识别是人工智能的基本应用技术，已经达到了商业应用的水平，并且被用于身份识别，医疗辅助诊断和自动驾驶等场景。一般来说，计算机视觉主要分为四个基本任务：图像分类，目标检测，目标跟踪和图像分割。图像分类是指为输入图像分配类别标签。自从采用深度卷积网络方法设计的AlexNet在2012年赢得ImageNet竞赛以来，深度卷积网络已被完全用于图像分类。 2015年，微软的ResNet采用残差思想，将部分输入数据直接输入到输出中，而无需通过神经网络，解决了反向传播过程中梯度分散的问题，使网络深度达到152层，错误率降至3.57％，远低于5.1％的人眼识别错误率，并赢得了ImageNet竞赛。在2017年提出的DenseNet使用了紧密连接的卷积神经网络，这减小了模型的大小，提高了计算效率，并具有非常好的抗过度拟合性能。目标检测是指用框架标记对象的位置并给出对象类别。在加州大学伯克利分校的Ross B. Girshick在2013年提出RCNN算法之后，基于卷积神经网络的目标检测成为主流。后续的检测算法主要分为两类。一种是基于区域推荐的目标检测算法。通过提取候选区域，根据深度学习方法对相应区域进行分类，例如RCNN，Fast-RCNN，Faster-RCNN，SPP-net和Mask R-CNN等一系列方法。第二种是基于回归的目标检测算法，例如YOLO，SSD和DenseBox。目标跟踪是指连续识别视频中的对象。基于深度学习跟踪方法，初始阶段是将神经网络学习的特征直接应用于相关滤波器或Struck的跟踪框架以获得更好的跟踪结果，但同时也带来了增加在计算量上。最近，已经提出了端到端跟踪框架。尽管它的性能比相关过滤之类的传统方法要慢，但是可以通过其他任务来训练此端对端输出，尤其是与检测和分类网络结合使用时。在实际应用中有广阔的前景。图像分割是指将图像细分为多个图像子区域。自2015年以来，相继提出了以全卷积神经网络（FCN）为代表的一系列基于卷积神经网络的语义分割方法，以不断提高图像语义分割的准确性，成为当前主流的图像语义分割方法。