目标识别技术在生活、生产、刑侦、医学和国防等很多领域都发挥着非常重要的作用。虽然各国的科研学者们对此项技术的研究已经持续了很长的时间,但该项技术仍旧是研究的热点。目标识别技术也是机器人的一项基本技术,复杂的活动环境对机器人的目标识别性能提出了新的要求。本文将深度学习和图像处理方法相结合对当前的识别模型进行了优化,借助深度学习框架Caffe搭建了一个人体目标识别系统,并在此系统上对优化后的模型的性能进行了测试。论文的主要工作和创新如下:(1)提出了一个基于深度学习模型的人体目标识别方案。通过对目标识别相关技术的考察和对比,本文在深度学习框架Caffe中,以经典的目标探测模型Fast-RCNN模型作为主要的方法,采用图像分割定位技术对已有的模型进行改进,构建起新的卷积神经网络模型,并利用该模型构建了一个图像目标识别系统实现人体目标的识别。(2)改进了现有的VGG网络模型,构建起一个新的卷积神经网络模型。本文在现有的VGG16模型的基础上增加了估计目标网络(RPN),并运用图像分割技术对模型进行了改进。改进后的模型将实现人体目标特征提取、图像分割、人体目标/非人体目标的分类等。(3)基于本文构建的模型,借助深度学习框架Caffe搭建了一个人体目标识别系统,并在此系统上对优化后的模型的性能进行了测试。在模型的训练和测试工作中,首先对原有的数据库进行扩充,新的数据集和测试集共由11900张图片组成,并充分考虑正负样本的比例,其中负样本数据库中的图片大多数选取于生活中随机拍摄和采集的图片,使实验的过程更加符合实际情况。实验证实,本文方法在识别率、识别速度和识别精度等方面都有一定优化,有较好的识别效果。