一、神经网络的图像识别技术。
神经网络图像识别技术是一种较新的图像识别技术，它是一种在传统图像识别方法基础上融合神经网络算法的图像识别方法。神经网络是指人的神经网络，即神经网络并非动物自身拥有的真正的神经网络，而是人模仿动物神经网络产生的。用遗传算法和BP网络相融合建立的神经网络图像识别模型是非常经典的，在许多领域都有其应用。本文提出了一种基于神经网络的图像识别系统，对图像识别分类的方法是先提取图像的特征，然后将特征映射到神经网络中。作为一个例子，汽车拍摄的自动识别技术，汽车通过时，汽车本身就拥有感应装置。这时探测设备将启动图像采集装置，以获取汽车正反向图像。获得图像后，必须上传到计算机进行保存，以便识别。最终将车牌定位模块提取车牌信息，识别出车牌上的字符，并将其显示出来。基于模板匹配和人工神经网络两种方法，将字符识别应用于车牌字符识别中。
二、非线性降维的图像识别技术。
图像识别是一种计算机高维识别技术。无论图像本身的分辨率如何，产生的数据往往是多维的，这使得计算机的识别变得十分困难。要使计算机具备高效率的识别能力，最直接有效的方法是降维。降维分为线性降维和非线性降维。主元分析(PCA)和线性奇异分析(LDA)等是常用的线性降维方法，其特点是简单，易于理解。但经线性降维处理的是整体数据集，求出的是整个数据集的最优低维投影。经验证，这种线性降维策略计算复杂度高，且占用较多的时间和空间，由此产生了基于非线性降维的图像识别技术，这是一种非常有效的非线性特征提取方法。这种方法能在不破坏图像固有结构的前提下，发现非线性结构，并能在尽可能低的维度上进行计算机图像识别，从而提高识别率。如人脸图像识别系统通常需要较高的维数，对于计算机来说，其复杂性的提高无疑是巨大的“灾难”。高维空间中人脸图像的非均匀分布使人们能够通过非线性降维技术得到紧凑分布的人脸图像，从而提高了人脸识别技术的效率。
