目标检测与识别是计算机视觉领域备受关注的课题,其关键任务是判断图像中是否存在目标,并对其进行定位和分类,在很多领域都有广泛的应用。传统目标检测与识别方法通常是基于标记好的样本训练分类器,进而进行检测识别。这种方法对于简单场景的效果较好,但是对于复杂场景的效果不够理想。近年来提出的深度学习方法在目标检测与识别问题上取得了很好的成果,在复杂场景中检测识别精度高于传统方法。本文基于深度神经网络,研究了螺母检测、车牌检测与识别两个具体问题,提出了以下算法:1、提出了一种结合单目标多窗口检测网络和Alex Net网络的螺母检测算法。首先使用单目标多窗口检测器检测螺母候选区域;然后使用Alex Net网络检测是否存在螺母;最后使用基于面积比的非极大值抑制算法,得到最终检测结果。实验结果表明,该算法漏检率低、检测精确高。2、提出了一种基于深度神经网络的尺度自适应车牌检测与识别算法。在检测时,首先利用估计得到的车牌尺度信息调整图像大小;然后通过区域生成算法得到车牌位置信息;最后结合Alex Net网络的特征信息和先验信息得到车牌检测结果。在识别时,使用带有CTC损失的双向循环神经网络,通过长短期记忆法得到有序的车牌识别结果。实验表明,本文车牌检测与识别算法的精确度优于其他算法。