机器学习通常包含输入、特征提取、分类和输出4个步骤。深度学习通常分为输入、特征提取与分类和输出3个步骤，它将机器学习中的特征提取和分类合并在同一个步骤中完成。相对于机器学习，深度学习需要提供的输入数据量更大，计算量也更大。深度学习的“深度”体现在神经网络层次规模上，例如，ResNet及其变种实现的神经网络多达上百层。
OpenCV在3.1版本中引入了一个深度神经网络贡献模块（名称为dnn），并在3.3版本中将其迁移到了主库中。dnn模块目前实现前馈（推理）方法，只需要导入预训练模型即可实现基于深度学习的图像处理。OpenCV支持目前流行的深度学习框架，包括Caffe、TensorFlow和Torch/Pytorch等，以及基于开放神经网络交换（Open Neural Network Exchange，ONNX）的框架。在应用程序中，只需要导入预训练模型，即可用准备好的数据执行预测操作，获得需要的处理结果。
图像识别是将图像内容作为一个对象来识别其类型。使用OpenCV中的深度学习预训练模型进行图像识别的基本步骤如下。
（1）从配置文件和预训练模型文件中加载模型。
（2）将图像文件处理为块数据（blob）。
（3）将图像文件的块数据设置为模型的输入。
（4）执行预测。
（5）处理预测结果。
1．基于AlexNet和Caffe模型的图像识别
AlexNet由2012年ImageNet竞赛冠军获得者辛顿（Hinton）和他的学生阿莱克斯·克里泽夫斯基（Alex Krizhevsky）设计，其网络结构包含了5层卷积神经网络（Convolutional Neural Network，CNN），3层全连接网络，采用GPU来加速计算。在处理图像时，AlexNet使用的图像块大小为224×224。
Caffe的全称为快速特征嵌入的卷积结构（Convolutional Architecture for Fast Feature Embedding），是一个兼具表达性、速度和思维模块化的深度学习框架。Caffe由伯克利人工智能研究小组和伯克利视觉和学习中心开发。Caffe内核用C++实现，提供了Python和Matlab等接口。
下面的代码使用基于AlexNet和Caffe的预训练模型进行图像识别。
深度残差网络（Deep Residual Network，ResNet）由何凯明（Kaiming He）等人提出，其主要特点是在神经网络中增加了残差单元，可通过残差学习解决因网络深度增加带来的退化问题，提高预测准确率。
下面的代码使用基于ResNet和Caffe的预训练模型进行图像识别。
