近几年来，目标检测算法取得了很大的突破。比较流行的算法可以分为两类，一类是基于Region Proposal的R-CNN系算法（R-CNN，Fast R-CNN, Faster R-CNN等），它们是two-stage的，需要先算法产生目标候选框，也就是目标位置，然后再对候选框做分类与回归。而另一类是Yolo，SSD这类one-stage算法，其仅仅使用一个卷积神经网络CNN直接预测不同目标的类别与位置。第一类方法是准确度高一些，但是速度慢，但是第二类算法是速度快，但是准确性要低一些。
物体识别领域有了较大的发展。首先图像特征层面，人们设计了各种各样的图像特征，像SIFT,HOG，LBP等等。与此同时，机器学习方法的发展也为模式识别提供了各种强大的分类器。后来人们还在对物体建模方面做了一些工作，旨在用更灵活的模型，而不是单一的模板去定义物体。随着人工智能、大数据和深度学习技术的不断发展，以及3D传感器、深度摄像头等硬件的不断升级，利用深度信息进行三维物体识别的技术，逐渐受到苹果公司等科技大牛和高通等厂商重视，并被植入到硬件产品中。
基于人的脸部特征，对输入的人脸图像或者视频流 ,识别出每个脸的位置、大小和各个主要面部器官的位置信息。并依据这些信息，进一步提取每个人脸中所蕴涵的身份特征，并将其与已知的人脸进行对比，从而识别每个人脸的身份。
从给定的静态图像或动态视频序列中分离出特定的表情状态，从而确定被识别对象的心理情绪，实现计算机对人脸表情的理解与识别，人脸表情识别在心理学、智能机器人、智能监控、虚拟现实及合成动画等领域有很大的潜在应用价值。
利用计算机对图像进行处理、分析和理解，通过存储的信息与当前的信息进行比较，实现图像的再认。以识别各种不同模式的目标和对象的技术，是应用深度学习算法的一种实践应用。现阶段图像识别技术一般分为人脸识别与商品识别。
通过一些算法提取全局或局部特征。LBP方法首先将 图像分成若干区域，在每个区域的像素640x960邻域中用中心值作阈值化，每个区域通过这样的运算得到一组直方图，然后将所有的直方图连起来组成一个大的直方图并进行直方图匹配计算进行分类。
深入分析图像质量，如图像中局部和全局噪声的数量，对比度增强的要求和边缘保存。在图像中需要和容易分割。由于图像处理辅助计算机视觉从图像中获取更有意义的信。图像处理算法在对大量数据进行详细分析后智能地进行分组，以给出正确的结果。
行为识别研究的是视频中目标的动作，比如判断一个人是在走路，跳跃还是挥手。在视频监督，视频推荐和人机交互中有重要的应用。不同于目标识别，行为识别除了需要分析目标的空间依赖关系，还需要分析目标变化的历史信息。
