随着信息技术的快速发展，图像的数量呈指数型增长，图像识别技术可以智能、高效地完成海量图像的分类与识别，因此，图像识别一直是计算机视觉领域的研究热点。近年来，深度学习技术的应用范围日益扩大，将深度学习应用到图像识别领域已成为新的研究方向。
1 图像识别
随着网络信息技术的发展，各类社交软件正逐渐成为人们获取信息、保持与他人联络的必备手段。在这些社交软件中，图片由于不会受到语言和文字等地域文化的约束，正在逐渐取代传统的文字信息表达方式。
图像识别技术能够智能的提取图像特征、完成图像分类，现已应用到医疗、交通、安防等各类生活场景中。图像识别一般包括图像预处理、图像特征提取和图像分类三个步骤。图像预处理是通过去除图像中的噪声和干扰，增强有用信息，来提高图像识别的准确率。图像的特征提取是将图像转化为“非图像”的描述，比如数值表示或向量描述等，其基本思想是将高维空间中的原始图像映射或变换为低维特征描述。图像识别是以提取到的图像特征为基础，根据分类决策，得到待识别图像所属的类别。
2 深度学习
深度学习是机器学习的一种，其概念源自人工神经网络（ANN），人工神经网络从信息处理角度模拟了人脑的神经元之间传递和处理信息的模式。2006 年，Hinton 等人提出深度学习的概念，它是一种包含多隐藏层的神经网络结构，能够更加抽象、更深层次地描述目标对象的特征。
深度学习一般可以分成有监督学习和无监督学习，分类的依据是数据是否含有标记。有监督学习过程中会找出训练数据的特征与标记之间的映射关系，并且通过标记不断纠正学习过程中的偏差，不断提高学习的预测率。有监督学习主要有卷积神经网络（CNN）、循环神经网络（RNN）和深度堆叠网络（DSN）。无监督学习的训练数据没有标记，常用的算法有受限玻尔兹曼机（RBM）、深度置信网络（DBN）等。
3 深度学习在图像识别中的应用
深度学习具有特征提取能力强、实时性快、识别精度高的优点。目前，深度学习已经广泛应用于图像识别领域的各个方面。
人脸识别
人脸识别技术是根据人脸的特征信息完成身份识别的一种生物智能识别技术。随着深度学习技术的快速发展，基于深度学习的人脸识别技术已成为学者们研究的热点。基于深度学习的人脸识别技术是由多层非线性感知器构成的学习模型，通过大规模的样本图像训练得到识别模型，不需要进行人工特征提取，在样本的训练过程中自主的逐层学习多层信息，识别准确率极高。
随着人脸识别技术的日益成熟，人脸表情识别成为近年来人脸识别领域研究的热点。表情是人类内心世界的外在流露，也是人机交互过程中的关键信息。人脸表情识别可以广泛应用于智能驾驶、医疗护理、客户分析等领域，不仅在学术研究领域具有重要的学术价值，在工业界也具有至关重要的应用价值。
近年来，深度学习技术的应用范围日益广泛，已成为图像识别领域的主流应用技术之一。但是，深度学习模型仍具有待完善的问题，比如训练数据的优化问题，这是因为深度学习对训练数据具有很强的依赖性。因此在以后的研究中要考虑如何优化训练数据，进一步提高识别准确率。