深度學習是近幾年的熱門研究話題。深度學習受到神經學的啟示，模擬人腦的認知與表達過程，通過低層信號到高層特征的函數映射，來建立學習數據內部隱含關系的邏輯層次模型。深度學習相比于一般的淺層模型的機器學習方法具有多隱層結構，對大數據具有更好的擬合性。

傳統的圖像處理僅是單張或為數不多的數字圖像的處理，而在今天信息爆炸的時代，對圖像的處理更多地涉及到視頻（圖像流）的分析，每一副圖像可能有數十萬個像素點，而一段多幀視頻若有成百上千幅圖像構成，其數據量足以媲美其他工業的"大數據"。傳統的圖像物體分類與檢測算法及策略難以滿足圖像視頻大數據在處理效率、性能和智能化等方面所提出的要求 。深度學習通過模擬類似人腦的層次結構建立從低級信號到高層語義的映射，以實現數據的分級特征表達，具有強大的視覺信息處理能力，因而， 在機器視覺領域，深度學習的代表--卷積神經網絡（Convolutional Neural Network, CNN）得以廣泛應用。 

20世紀60年代，Hubel和Wiesel在研究貓腦皮層中用于局部敏感和方向選擇的神經元時發現其獨特的網絡結構可以有效地降低反饋神經網絡的復雜性，繼而提出了卷積神經網絡(CNN) ?，F在，CNN已經成為眾多科學領域的研究熱點之一，特別是在模式分類領域，由于該網絡避免了對圖像的復雜前期預處理，可以直接輸入原始圖像，因而得到了更為廣泛的應用。實質上，CNN就是通過模仿細胞視覺信息的處理過程而構建的多層Hubel-Wiesel結構 。 

CNN和普通的神經網絡具有許多相似之處，它們都是模仿人類神經的結構，由具有可學習的權重和偏置常數的神經元組成。每一個神經元可以接收輸入信號，經過運算后輸出每一個分類的分數。但是，CNN的輸入一般是圖像，卷積網絡通過一系列方法，成功將數據量龐大的圖像識別問題不斷降維，最終使其能夠被訓練。CNN利用該特點，把神經元設計成具有三個維度：width, height, depth。