目标的识别与检测任务在计算机视觉中占有重要地位,在军事、安防及民用领域有着广泛应用。近些年,随着深度学习技术的发展,目标的识别及检测精度得到了显著提升。然而,深度学习的成功很大程度上依赖于大规模数据集,需进行大量的标注工作,这在实际应用中造成困难。而近几年随着图像技术的发展,计算机合成图像逐渐作为网络模型的训练数据应用于深度学习领域。本文针对计算机合成图像在目标识别与检测中的应用,进行了如下研究:1.通过渲染三维模型获得图像数据集,并利用典型卷积网络模型对数据集的训练效果进行实验分析。本文利用两个深度学习模型对目标进行分类识别,其中对渲染过程中设定的一些因素,如光照、渲染精度、背景等进行了实验分析,以确定图像生成过程中各参数的设置,保证图像生成的质量。2.设计分类识别模型,提高网络对真实图像的识别精度。本文利用计算机合成图像训练分类模型,但最终目的是实现真实条件下的目标识别与检测,而传统模型在此训练模式下的表现并不好。本文基于两种情况,设计了目标分类模型,以提高真实目标的识别精度。首先针对仅有合成图像与少量真实样本的情况,设计出一种新的生成式对抗网络模型,将对抗损失与分类损失相结合,迫使模型中的判别部分充分学习两类图像的特征,使得识别正确率提高了约10%。其次,借助更大规模数据集Image Net,基于迁移学习思想,通过微调方法实现网络特征的迁移,并利用深层适配网络及深层联合适配网络,在预训练好的模型上,对合成图像域与真实图像域进行适配,提高网络对真实图像的识别精度,利用该方法,识别模型对真实图像的分类正确率达到98%以上。3.将计算机合成图像应用于目标检测任务中。利用Faster R-CNN目标检测框架,基于前文中预训练好的模型,对合成图像数据集的应用进行了研究,实验结果表明,合成图像混合少量真实图像可有效减轻标记数据缺乏的影响。此外,在卷积神经网络模型中引入竞争机制,以降低模型对合成图像中不重要细节的敏感度,实验结果表明,利用本文提出的方法,网络检测精度可进一步提高。