近幾年來，目標檢測算法取得了很大的突破。比較流行的算法可以分為兩類，一類是基于Region Proposal的R-CNN系算法（R-CNN，Fast R-CNN, Faster R-CNN等），它們是two-stage的，需要先算法產生目標候選框，也就是目標位置，然后再對候選框做分類與回歸。而另一類是Yolo，SSD這類one-stage算法，其僅僅使用一個卷積神經網絡CNN直接預測不同目標的類別與位置。第一類方法是準確度高一些，但是速度慢，但是第二類算法是速度快，但是準確性要低一些。
物體識別領域有了較大的發展。首先圖像特征層面，人們設計了各種各樣的圖像特征，像SIFT,HOG，LBP等等。與此同時，機器學習方法的發展也為模式識別提供了各種強大的分類器。后來人們還在對物體建模方面做了一些工作，旨在用更靈活的模型，而不是單一的模板去定義物體。隨著人工智能、大數據和深度學習技術的不斷發展，以及3D傳感器、深度攝像頭等硬件的不斷升級，利用深度信息進行三維物體識別的技術，逐漸受到蘋果公司等科技大牛和高通等廠商重視，并被植入到硬件產品中。
基于人的臉部特征，對輸入的人臉圖像或者視頻流 ,識別出每個臉的位置、大小和各個主要面部器官的位置信息。并依據這些信息，進一步提取每個人臉中所蘊涵的身份特征，并將其與已知的人臉進行對比，從而識別每個人臉的身份。
從給定的靜態圖像或動態視頻序列中分離出特定的表情狀態，從而確定被識別對象的心理情緒，實現計算機對人臉表情的理解與識別，人臉表情識別在心理學、智能機器人、智能監控、虛擬現實及合成動畫等領域有很大的潛在應用價值。
利用計算機對圖像進行處理、分析和理解，通過存儲的信息與當前的信息進行比較，實現圖像的再認。以識別各種不同模式的目標和對象的技術，是應用深度學習算法的一種實踐應用?，F階段圖像識別技術一般分為人臉識別與商品識別。
通過一些算法提取全局或局部特征。LBP方法首先將 圖像分成若干區域，在每個區域的像素640x960鄰域中用中心值作閾值化，每個區域通過這樣的運算得到一組直方圖，然后將所有的直方圖連起來組成一個大的直方圖并進行直方圖匹配計算進行分類。
深入分析圖像質量，如圖像中局部和全局噪聲的數量，對比度增強的要求和邊緣保存。在圖像中需要和容易分割。由于圖像處理輔助計算機視覺從圖像中獲取更有意義的信。圖像處理算法在對大量數據進行詳細分析后智能地進行分組，以給出正確的結果。
行為識別研究的是視頻中目標的動作，比如判斷一個人是在走路，跳躍還是揮手。在視頻監督，視頻推薦和人機交互中有重要的應用。不同于目標識別，行為識別除了需要分析目標的空間依賴關系，還需要分析目標變化的歷史信息。
