图像分割与识别作为机器学习领域的重要研究方向之一,主要工作是区分图像数据或者视频数据中的目标与非目标,如果存在目标,则需确定该目标的位置,并对其进行分类识别。本文使用改进的Faster R-CNN算法对VOC数据集、汽车数据集以及自制办公用品数据集进行图像分割与识别处理,分析比较原始算法与本文提出算法的优劣性,结合特征融合、AlexNet模型及VGG模型框架对算法提出改进。在本文中,基于不同的改进提出了三种多目标图像的分割与识别方法:针对经典Faster R-CNN方法对数据集中目标小、有遮挡或背景复杂图像分割与识别结果较差、效率低的问题,在网络框架中引入特征融合,在此基础上提出了基于特征融合改进的Faster R-CNN方法。主要思路是在卷积神经网络中将候选区域映射到不同卷积层生成的特征进行融合,在指定的维度对输入的特征图进行一个堆叠处理,能够得到大小为固定尺寸的特征向量,将其传送到全连接层用于进行分类识别与边界框回归。由实验结果可知,此方法对多目标图像分割与识别的结果相较于经典的Faster R-CNN方法有所提高。针对Faster R-CNN方法的网络框架中,卷积神经网络AlexNet模型因使用ReLU激活函数导致训练时无法适应较大的梯度输入,从而造成分割与识别精度低的问题,提出了基于AlexNet改进的Faster R-CNN方法。该方法使用了LeakyReLU激活函数,使静默神经元的出现减少,从而允许梯度学习。实验结果表明,改进后的AlexNet模型对负值数据进行加权优化,从而提高了多目标图像分割与识别的精度,大大提升了效率。针对卷积神经网络VGG模型的网络结构深,耗费资源较大,导致训练时存在梯度消失和梯度爆炸问题,因此提出基于VGG改进的Faster R-CNN方法,并在VGG16与VGG19两个网络模型中分别提出改进。通过改变VGG网络结构以及引入使用LeakyReLU激活函数来调整参数,从而解决梯度爆炸等问题。实验结果表明,改进后的VGG模型有更多的激活函数,更多的卷积核,使得决策函数更具有辨别能力,有效提升了分类识别效果,进一步提高了多目标图像分割与识别的精确度。