21世纪以来,图像识别技术的应用越来越广泛,而深度学习的兴起让图像识别有了新的跨越式的发展。传统的目标识别方法具有相当大的局限性,应对获得的数据集时,需要对图像进行复杂的预处理,处理图像特征时,在提取图像特征之时,需要结合图像具体的特征来设计相应的方法。传统的一些提取方法所构建的分类器,有着较低的识别精度,并且往往只能适用于特定的对象。在本次研究中,首先对传统方法的一些局限性进行阐述,然后以深度学习为基础,开发了新型的图像识别技术,其中使用了两种卷积神经网络。这种网络的特征学习功能较为强大,能够提取图像信息,提高了检测性能。本文的研究对象是人民币水印,通过构建人民币图像数据集,验证经典目标检测网络的试验效果,对深度学习模型进行开发与优化,从而精准辨识出人民币水印。在研究过程中,以尺度不变网络、目标检测算法Refine Det为对象,对其展开优化,并基于实验,证实这两种算法在该领域水印辨识领域的性能,并比较其与经典目标检测网络的应用效果。本次研究的主要工作包括:对人民币图像信息进行扩展。针对目前缺乏一套合适的开放式人民币图像数据集的问题,对现实自然环境中的多种人民币图像进行了人工采集和标注。利用图像旋转和图像噪声添加等多种方法对人民币图像数据集进行扩充。通过扩展处理之后,得到的数据集样本图像数量多达四千个,数量上有了较大提升,足够用于深度学习和训练。开发出该领域辨识的深度学习框架,然后通过相应的实验进行对比和验证。本文根据人民币水印识别的研究特点,在现有研究的基础上,对目标识别算法进行了剖析和抉择,在比较实验中,选择Faster-RCNN和SSD等经典目标检测算法作为本实验的主要研究框架。本文总结和分析了Faster-RCNN(VGG19)模型在人民币图像数据集上应用的不足。选择目标检测算法时,提出优化的Refine Det算法和尺度不变网络,并对其进行了实现分析。实验验证了改进方案的性能。论文最后对所提出的算法进行了实验验证,从结果可以看出,本文提出的方法具有较好的适应性和实时性。