算機視覺識別這一人工智能基礎應用技術部分已達商業化應用水平，被用于身份識別、醫學輔助診斷、自動駕駛等場景。一般來講，計算機視覺主要分為圖像分類、目標檢測、目標跟蹤和圖像分割四大基本任務。

圖像分類是指為輸入圖像分配類別標簽。自 2012 年采用深度卷積網絡方法設計的 AlexNet 奪得 ImageNet 競賽冠軍后，圖像分類開始全面采用深度卷積網絡。

2015 年，微軟提出的 ResNet 采用殘差思想，將輸入中的一部分數據不經過神經網絡而直接進入到輸出中，解決了反向傳播時的梯度彌散問題，從而使得網絡深度達到 152 層，將錯誤率降低到 3.57%，遠低于 5.1%的人眼識別錯誤率，奪得了ImageNet 大賽的冠軍。2017 年提出的 DenseNet 采用密集連接的卷積神經網絡，降低了模型的大小，提高了計算效率，且具有非常好的抗過擬合性能。

目標檢測指用框標出物體的位置并給出物體的類別。2013 年加州大學伯克利分校的 Ross B. Girshick 提出 RCNN 算法之后，基于卷積神經網絡的目標檢測成為主流。之后的檢測算法主要分為兩類，一是基于區域建議的目標檢測算法，通過提取候選區域，對相應區域進行以深度學習方法為主的分類，如 RCNN、Fast-RCNN、Faster-RCNN、SPP-net 和 Mask R-CNN 等系列方法。二是基于回歸的目標檢測算法，如 YOLO、SSD 和 DenseBox 等。

目標跟蹤指在視頻中對某一物體進行連續標識。基于深度學習的跟蹤方法，初期是通過把神經網絡學習到的特征直接應用到相關濾波或 Struck 的跟蹤框架中，從而得到更好的跟蹤結果，但同時也帶來了計算量的增加。近提出了端到端的跟蹤框架，雖然與相關濾波等傳統方法相比在性能上還較慢，但是這種端到端輸出可以與其他的任務一起訓練，特別是和檢測分類網絡相結合，在實際應用中有著廣泛的前景。

圖像分割指將圖像細分為多個圖像子區域。2015 年開始，以全卷積神經網絡（FCN）為代表的一系列基于卷積神經網絡的語義分割方法相繼提出，不斷提高圖像語義分割精度，成為目前主流的圖像語義分割方法。