当今社会,科技发展越来越迅速,随着机器人相关技术的发展,人工智能开始广泛的出现在人们的生活中。其中计算机视觉是人工智能中最为重要的组成部分,手机支付的人脸识别,服务机器人涉及的场景识别和目标检测等等,都是计算机视觉的最常见应用,可见计算机视觉的相关技术已经进入人们的日常生活了。本文针对计算机视觉的两个方向,场景识别和目标检测技术进行了研究,具体内容如下:针对局部场景识别的问题,本文以Mean Shift分割方法为基础,首先,对场景数据集图像进行分割,将分割出的特征区域作为尺寸统一的独立图片进行保存。因为特征区域图片的结构简单,用传统特征提取方法提取的特征会损失大量有效特征信息,所以本文通过VGG-16网络提取这些图片的特征,充分保留特征区域的像素特征信息。然后采用K-means算法对特征区域图片进行聚类,采用支持向量机(Support Vector Machine,SVM)对聚类后的图片进行训练,得出模型,将这些模型作为各个不同场景的单词库,统计各个场景的所有数据集经过分割后的区域图片对应这些单词的出现频次作为最终数据集的特征。最后通过SVM分类器的训练和分类,达到场景识别的效果。在实现局部场景识别后,本文采用了传统图像算法和卷积神经网络相结合的方法来检测局部场景中的目标物体。首先对目标物体的数据集进行预处理,将数据集图片进行分割,并对分割后的各个特征区域根据轮廓特征,颜色特征以及区域面积等特征因素强弱进行筛选,保留特征性强的区域,删掉特征性较弱的特征区域,在进行筛选的过程中,特征性较强的环境区域也会被保留,这样既保证了样本的多样性,防止了过拟合的产生,也保证了样本的有效性。再将经过处理的数据集送入Alexnet网络训练出目标物体的模型。最终通过滑动窗口和多尺度非极大值抑制算法的结合,在同样经过分割和特征筛选的预测图中确定目标物体所在位置。本文的检测算法和Faster-Rcnn检测算法的对比实验表明,本文对数据集的预处理可以降低对数据集样本的需求量,避免大量的重复工作。经过预处理的数据集训练得出的模型对于相对复杂场景下目标检测,抗干扰能力明显增强,但同时也保证了样本的多样性和有效性,避免了过拟合和欠拟合情况的出现,在提高训练效率的同时也保留甚至提高了准确度。