图像识别是近20年来发展起来的一门新兴技术科学,它以研究某些对象或过程(统称图像)的分类与描述为主要内容,应用范围非常广泛。但是传统的图像识别技术,多是基于统计图像识别方法和句法图像识别方法等大规模计算的基础之上的,在运算量和正确识别率之间存在着突出的矛盾。近年来人工神经网络技术的发展为解决这一问题提供了新的途径。神经网络图像识别技术是随着当代计算机技术、图像处理、人工智能、模式识别理论等发展起来的一种新兴图像识别技术,是在传统的图像识别方法的基础上融合神经网络算法的一种图像识别方法。论文分析了目前常用的基于神经网络的图像识别方法,根据图像识别的特点,提出了遗传算法与BP网络相融合、支持向量机等两种神经网络图像识别模型,分别给出了两种模型的学习算法和具体应用技术。主要工作包括以下几个方面:1.简要介绍了图像识别原理和几种常用的模式识别方法。2.论文分析了目前在图像识别中常用的前馈神经网络模型及其算法,将遗传算法与BP网络相结合,有效解决了图像识别中BP算法容易陷入局部极小的不足。3.针对有限图像样本情况,建立了现有信息下可获得最优解的支持向量机模型。论文研究了多模式分类问题,提出了一种新的多分类策略,并给出了一种动态样本类别增加训练方法,使SVM能够根据需要随时增加需识别类型。论文最后结合图像识别中具体实际问题,给出了遗传-BP网络和支持向量机在车牌及人脸识别中具体的应用方法。