圖像識別是人工智能領域的一個重要方向。經過多年的研究，圖像識別技術取得了一定的研究進展。圖像識別主要包含特征提取和分類識別，而其中的特征提取是圖像識別技術發展的瓶頸問題，直接決定著識別性能的好壞。傳統提取的特征主要分為全局特征和局部特征，但是這些特征都是圖像底層的視覺特征，并且需要具備一定專業知識人員進行特征的設計與選擇，這種人工設計的特征需要經過大量的驗證后才能證明其對某一種識別任務的有效性，這也在一定程度上限制了圖像識別技術的應用。

近年來，隨著大數據時代的來臨和計算資源越來越便宜，深度學習技術不斷取得進展。它是一種以數據為驅動，從圖像識別任務中的大量數據來自動學習特征。為此，本文首先對深度學習進行了研究，然后將其應用到敏感圖像識別和車牌識別中。本文的研究內容主要包括以下幾個部分：

首先，本文深入研究了深度學習。重點研究了深度學習的特征提取，以及深度學習中三個重要的網絡模型，分別是可以實現無監督特征學習的深度信念網絡（Deep Belief Network，DBN），圖像識別任務中被廣泛使用的卷積神經網絡（Convolutional Neural Network，CNN），以及可以實現序列數據學習的循環神經網絡（Recurrent Neural Network，RNN），對它們的網絡結構和訓練方法展開深入的研究。實驗表明，深度學習網絡可以對不同的識別任務，從圖像數據中學習分層特征，最后形成不同類別對象之間的區分性特征。

其次，提出了一種基于卷積神經網絡（CNN）的敏感圖像識別方法。該方法分為兩個步驟：粗檢和細檢。粗檢用來快速識別出不含或含膚色區域較少的正常圖像以及大頭照，因為大部分圖像都屬于正常圖像，這可以極大降低識別時間。對于包含膚色較多的圖像，則進一步通過細檢識別。首先使用大量標定好的敏感圖像和非敏感圖像訓練 CNN 分類模型，然后采用分類模型進行敏感圖像的識別。在包含 19000 多幅圖像的數據庫上的實驗結果表明，采用本文所提出的方法識別準確率可以達到 97.2%，遠遠高于傳統的敏感圖像識別方法。

最后，針對傳統車牌識別算法存在車牌定位、車牌校正、字符分割、字符識別等多個過程，每個過程都會影響車牌識別率的問題，提出了一種基于卷積循環神經網絡（Convolutional Recurrent Neural Network，CRNN）的車牌識別算法。該算法包含車牌定位和車牌識別兩個部分：首先使用基于邊緣的車牌定位方法確定圖像中車牌的候選區域，然后采用 CRNN 網絡進行車牌的訓練和識別。相對于傳統的車牌識別技術，本文提出的算法是一種端到端的識別方法，無需進行車牌校正、字符分割等處理，給車牌識別提供了另一種思路。實驗結果表明，車牌整體識別正確率為 76%，車牌后六位字符的識別正確率為 91%。