| 摘要 | 第1-4页 |
| Abstract | 第4-8页 |
| 第一章 绪论 | 第8-15页 |
| ·前言 | 第8-9页 |
| ·物体识别研究背景及意义 | 第9-10页 |
| ·物体识别研究现状 | 第10-13页 |
| ·国外研究动态 | 第10-12页 |
| ·国内研究动态 | 第12-13页 |
| ·本文的主要研究工作 | 第13-14页 |
| ·本章小结 | 第14-15页 |
| 第二章 深度学习模型 | 第15-31页 |
| ·传统网络模型 | 第15-21页 |
| ·BP神经网络 | 第16-17页 |
| ·Hopfield神经网络 | 第17-19页 |
| ·SVM | 第19-21页 |
| ·深度学习相关概念 | 第21-24页 |
| ·稀疏编码 | 第21-22页 |
| ·对比分歧 | 第22页 |
| ·回归与分类 | 第22页 |
| ·正则化 | 第22-23页 |
| ·混合特征以及特征相关性 | 第23-24页 |
| ·常见的深度学习模型 | 第24-30页 |
| ·卷积神经网络 | 第24-26页 |
| ·深度置信网络 | 第26-28页 |
| ·自编码器网络 | 第28-30页 |
| ·本章小结 | 第30-31页 |
| 第三章 深度学习在一般物体识别上的应用 | 第31-41页 |
| ·引言 | 第31-32页 |
| ·物体识别一般流程 | 第32-35页 |
| ·图像获取（Image Acquisition） | 第32-33页 |
| ·图像预处理（Image Preprocessing） | 第33页 |
| ·特征抽取（Feature Extraction） | 第33-34页 |
| ·特征选择（Feature Selection） | 第34页 |
| ·建立分类模型（Modeling） | 第34页 |
| ·特征匹配（Feature Matching） | 第34-35页 |
| ·定位（Object Localization and Recognition） | 第35页 |
| ·基于深度学习的物体识别 | 第35-36页 |
| ·并行混合学习模型 | 第36-39页 |
| ·卷积与自编码器单元的混合 | 第37-38页 |
| ·自编码器单元和RBM单元的混合 | 第38页 |
| ·并行混合学习模型 | 第38-39页 |
| ·本章小结 | 第39-41页 |
| 第四章 物体识别系统设计及实验 | 第41-49页 |
| ·引言 | 第41-43页 |
| ·实验数据 | 第41-42页 |
| ·实验环境 | 第42-43页 |
| ·基于深度学习的物体识别系统设计 | 第43页 |
| ·传统网络模型测试 | 第43-44页 |
| ·并行混合学习模型测试 | 第44-47页 |
| ·本章小结 | 第47-49页 |
| 第五章 结论与展望 | 第49-51页 |
| ·结论 | 第49页 |
| ·未来研究展望 | 第49-51页 |
| 参考文献 | 第51-56页 |
| 致谢 | 第56-58页 |
