【文章內(nèi)容簡(jiǎn)介】 型的深度學(xué)習(xí)算法包括深度置信網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、受限玻爾茲曼機(jī)和循環(huán)神經(jīng)網(wǎng)絡(luò)等。深度學(xué)習(xí)又稱為深度神經(jīng)網(wǎng)絡(luò)（指層數(shù)超過 3 層的神經(jīng)網(wǎng)絡(luò)）。深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)研究中的一個(gè)新興領(lǐng)域，由 Hinton 等人于 2006 年提出。深度學(xué)習(xí)源于多層神經(jīng)網(wǎng)絡(luò)，其實(shí)質(zhì)是給出了一種將特征表示和學(xué)習(xí)合二為一的方式。深度學(xué)習(xí)的特點(diǎn)是放棄了可解釋性，單純追求學(xué)習(xí)的有效性。經(jīng)過多年的摸索嘗試和研究，已經(jīng)產(chǎn)生了諸多深度神經(jīng)網(wǎng)絡(luò)的模型，其中卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)是兩類典型的模型。卷積神經(jīng)網(wǎng)絡(luò)常被應(yīng)用于空間性分布數(shù)據(jù)；循環(huán)神經(jīng)網(wǎng)絡(luò)在神經(jīng)網(wǎng)絡(luò)中引入了記憶和反饋，常被應(yīng)用于時(shí)間性分布數(shù)據(jù)。深度學(xué)習(xí)框架是進(jìn)行深度學(xué)習(xí)的基礎(chǔ)底層框架，一般包含主流的神經(jīng)網(wǎng)絡(luò)算法模型，提供穩(wěn)定的深度學(xué)習(xí) API，支持訓(xùn)練模型在服務(wù)器和 GPU、TPU 間的分布式學(xué)習(xí)，部分框架還具備在包括移動(dòng)設(shè)備、云平臺(tái)在內(nèi)的多種平臺(tái)上運(yùn)行的移植能力，從而為深度學(xué)習(xí)算法帶來前所未有的運(yùn)行速度和實(shí)用性。目前主流的開源算法框架有 TensorFlow、Caffe/CaffeCNTK、MXNet、Paddlepaddle、Torch/PyTorch、Theano 等。（3）此外，機(jī)器學(xué)習(xí)的常見算法還包括遷移學(xué)習(xí)、主動(dòng)學(xué)習(xí)和演化學(xué)習(xí)等。遷移學(xué)習(xí) 遷移學(xué)習(xí)是指當(dāng)在某些領(lǐng)域無法取得足夠多的數(shù)據(jù)進(jìn)行模型訓(xùn)練時(shí)，利用另一領(lǐng)域數(shù)據(jù)獲得的關(guān)系進(jìn)行的學(xué)習(xí)。遷移學(xué)習(xí)可以把已訓(xùn)練好的模型參數(shù)遷移到新的模型指導(dǎo)新模型訓(xùn)練，可以更有效的學(xué)習(xí)底層規(guī)則、減少數(shù)據(jù)量。目前的遷移學(xué)習(xí)技術(shù)主要在變量有限的小規(guī)模應(yīng)用中使用，如基于傳感器網(wǎng)絡(luò)的定位，文字分類和圖像分類等。未來遷移學(xué)習(xí)將被廣泛應(yīng)用于解決更有挑戰(zhàn)性的問題，如視頻分類、社交網(wǎng)絡(luò)分析、邏輯推理等。主動(dòng)學(xué)習(xí)主動(dòng)學(xué)習(xí)通過一定的算法查詢最有用的未標(biāo)記樣本，并交由專家進(jìn)行標(biāo)記， 然后用查詢到的樣本訓(xùn)練分類模型來提高模型的精度。主動(dòng)學(xué)習(xí)能夠選擇性地獲取知識(shí)，通過較少的訓(xùn)練樣本獲得高性能的模型，最常用的策略是通過不確定性準(zhǔn)則和差異性準(zhǔn)則選取有效的樣本。演化學(xué)習(xí)演化學(xué)習(xí)對(duì)優(yōu)化問題性質(zhì)要求極少，只需能夠評(píng)估解的好壞即可，適用于求解復(fù)雜的優(yōu)化問題，也能直接用于多目標(biāo)優(yōu)化。演化算法包括粒子群優(yōu)化算法、多目標(biāo)演化算法等。目前針對(duì)演化學(xué)習(xí)的研究主要集中在演化數(shù)據(jù)聚類、對(duì)演化數(shù)據(jù)更有效的分類，以及提供某種自適應(yīng)機(jī)制以確定演化機(jī)制的影響等。 知識(shí)圖譜知識(shí)圖譜本質(zhì)上是結(jié)構(gòu)化的語義知識(shí)庫，是一種由節(jié)點(diǎn)和邊組成的圖數(shù)據(jù)結(jié)構(gòu)，以符號(hào)形式描述物理世界中的概念及其相互關(guān)系，其基本組成單位是“實(shí)體—關(guān)系—實(shí)體”三元組，以及實(shí)體及其相關(guān)“屬性—值”對(duì)。不同實(shí)體之間通過關(guān)系相互聯(lián)結(jié)，構(gòu)成網(wǎng)狀的知識(shí)結(jié)構(gòu)。在知識(shí)圖譜中，每個(gè)節(jié)點(diǎn)表示現(xiàn)實(shí)世界的“實(shí)體”，每條邊為實(shí)體與實(shí)體之間的“關(guān)系”。通俗地講，知識(shí)圖譜就是把所有不同種類的信息連接在一起而得到的一個(gè)關(guān)系網(wǎng)絡(luò)，提供了從“關(guān)系”的角度去分析問題的能力。 知識(shí)圖譜可用于反欺詐、不一致性驗(yàn)證、組團(tuán)欺詐等公共安全保障領(lǐng)域，需要用到異常分析、靜態(tài)分析、動(dòng)態(tài)分析等數(shù)據(jù)挖掘方法。特別地，知識(shí)圖譜在搜索引擎、可視化展示和精準(zhǔn)營銷方面有很大的優(yōu)勢(shì)，已成為業(yè)界的熱門工具。但是，知識(shí)圖譜的發(fā)展還有很大的挑戰(zhàn)，如數(shù)據(jù)的噪聲問題，即數(shù)據(jù)本身有錯(cuò)誤或者數(shù)據(jù)存在冗余。隨著知識(shí)圖譜應(yīng)用的不斷深入，還有一系列關(guān)鍵技術(shù)需要突破。 自然語言處理自然語言處理是計(jì)算機(jī)科學(xué)領(lǐng)域與人工智能領(lǐng)域中的一個(gè)重要方向，研究能實(shí)現(xiàn)人與計(jì)算機(jī)之間用自然語言進(jìn)行有效通信的各種理論和方法，涉及的領(lǐng)域較多，主要包括機(jī)器翻譯、機(jī)器閱讀理解和問答系統(tǒng)等。 （1）機(jī)器翻譯機(jī)器翻譯技術(shù)是指利用計(jì)算機(jī)技術(shù)實(shí)現(xiàn)從一種自然語言到另外一種自然語言的翻譯過程?；诮y(tǒng)計(jì)的機(jī)器翻譯方法突破了之前基于規(guī)則和實(shí)例翻譯方法的局限性，翻譯性能取得巨大提升。基于深度神經(jīng)網(wǎng)絡(luò)的機(jī)器翻譯在日?？谡Z等一些場(chǎng)景的成功應(yīng)用已經(jīng)顯現(xiàn)出了巨大的潛力。隨著上下文的語境表征和知識(shí)邏輯推理能力的發(fā)展，自然語言知識(shí)圖譜不斷擴(kuò)充，機(jī)器翻譯將會(huì)在多輪對(duì)話翻譯及篇章翻譯等領(lǐng)域取得更大進(jìn)展。目前非限定領(lǐng)域機(jī)器翻譯中性能較佳的一種是統(tǒng)計(jì)機(jī)器翻譯，包括訓(xùn)練及解碼兩個(gè)階段。訓(xùn)練階段的目標(biāo)是獲得模型參數(shù)，解碼階段的目標(biāo)是利用所估計(jì)的參數(shù)和給定的優(yōu)化目標(biāo)，獲取待翻譯語句的最佳翻譯結(jié)果。統(tǒng)計(jì)機(jī)器翻譯主要包括語料預(yù)處理、詞對(duì)齊、短語抽取、短語概率計(jì)算、最大熵調(diào)序等步驟。基于神經(jīng)網(wǎng)絡(luò)的端到端翻譯方法不需要針對(duì)雙語句子專門設(shè)計(jì)特征模型，而是直接把源語言句子的詞串送入神經(jīng)網(wǎng)絡(luò)模型，經(jīng)過神經(jīng)網(wǎng)絡(luò)的運(yùn)算，得到目標(biāo)語言句子的翻譯結(jié)果。在基于端到端的機(jī)器翻譯系統(tǒng)中，通常采用遞歸神經(jīng)網(wǎng)絡(luò)或卷積神經(jīng)網(wǎng)絡(luò)對(duì)句子進(jìn)行表征建模，從海量訓(xùn)練數(shù)據(jù)中抽取語義信息，與基于短語的統(tǒng)計(jì)翻譯相比，其翻譯結(jié)果更加流暢自然，在實(shí)際應(yīng)用中取得了較好的效果。（2）語義理解語義理解技術(shù)是指利用計(jì)算機(jī)技術(shù)實(shí)現(xiàn)對(duì)文本篇章的理解，并且回答與篇章 相關(guān)問題的過程。語義理解更注重于對(duì)上下文的理解以及對(duì)答案精準(zhǔn)程度的把控。隨著 MCTest 數(shù)據(jù)集的發(fā)布，語義理解受到更多關(guān)注，取得了快速發(fā)展，相關(guān)數(shù)據(jù)集和對(duì)應(yīng)的神經(jīng)網(wǎng)絡(luò)模型層出不窮。語義理解技術(shù)將在智能客服、產(chǎn)品自動(dòng)問 答等相關(guān)領(lǐng)域發(fā)揮重要作用，進(jìn)一步提高問答與對(duì)話系統(tǒng)的精度。在數(shù)據(jù)采集方面，語義理解通過自動(dòng)構(gòu)造數(shù)據(jù)方法和自動(dòng)構(gòu)造填空型問題的方法來有效擴(kuò)充數(shù)據(jù)資源。為了解決填充型問題，一些基于深度學(xué)習(xí)的方法相繼提出，如基于注意力的神經(jīng)網(wǎng)絡(luò)方法。當(dāng)前主流的模型是利用神經(jīng)網(wǎng)絡(luò)技術(shù)對(duì)篇章、問題建模，對(duì)答案的開始和終止位置進(jìn)行預(yù)測(cè)，抽取出篇章片段。對(duì)于進(jìn)一步泛化的答案，處理難度進(jìn)一步提升，目前的語義理解技術(shù)仍有較大的提升空間。（3）問答系統(tǒng)問答系統(tǒng)分為開放領(lǐng)域的對(duì)話系統(tǒng)和特定領(lǐng)域的問答系統(tǒng)。問答系統(tǒng)技術(shù)是指讓計(jì)算機(jī)像人類一樣用自然語言與人交流的技術(shù)。人們可以向問答系統(tǒng)提交用自然語言表達(dá)的問題，系統(tǒng)會(huì)返回關(guān)聯(lián)性較高的答案。盡管問答系統(tǒng)目前已經(jīng)有了不少應(yīng)用產(chǎn)品出現(xiàn)，但大多是在實(shí)際信息服務(wù)系統(tǒng)和智能手機(jī)助手等領(lǐng)域中的應(yīng)用，在問答系統(tǒng)魯棒性方面仍然存在著問題和挑戰(zhàn)。自然語言處理面臨四大挑戰(zhàn)：一是在詞法、句法、語義、語用和語音等不同層面存在不確定性；二是新的詞匯、術(shù)語、語義和語法導(dǎo)致未知語言現(xiàn)象的不可預(yù)測(cè)性；三是數(shù)據(jù)資源的不充分使其難以覆蓋復(fù)雜的語言現(xiàn)象；四是語義知識(shí)的模糊性和錯(cuò)綜復(fù)雜的關(guān)聯(lián)性難以用簡(jiǎn)單的數(shù)學(xué)模型描述，語義計(jì)算需要參數(shù)龐大的非線性計(jì)算。 人機(jī)交互人機(jī)交互主要研究人和計(jì)算機(jī)之間的信息交換，主要包括人到計(jì)算機(jī)和計(jì)算機(jī)到人的兩部分信息交換，是人工智能領(lǐng)域的重要的外圍技術(shù)。人機(jī)交互是與認(rèn)知心理學(xué)、人機(jī)工程學(xué)、多媒體技術(shù)、虛擬現(xiàn)實(shí)技術(shù)等密切相關(guān)的綜合學(xué)科。傳統(tǒng)的人與計(jì)算機(jī)之間的信息交換主要依靠交互設(shè)備進(jìn)行，主要包括鍵盤、鼠標(biāo)、操縱桿、數(shù)據(jù)服裝、眼動(dòng)跟蹤器、位置跟蹤器、數(shù)據(jù)手套、壓力筆等輸入設(shè)備，以及打印機(jī)、繪圖儀、顯示器、頭盔式顯示器、音箱等輸出設(shè)備。人機(jī)交互技術(shù)除了傳統(tǒng)的基本交互和圖形交互外，還包括語音交互、情感交互、體感交互及腦機(jī)交互等技術(shù)，以下對(duì)后四種與人工智能關(guān)聯(lián)密切的典型交互手段進(jìn)行介紹。（1）語音交互語音交互是一種高效的交互方式，是人以自然語音或機(jī)器合成語音同計(jì)算機(jī) 進(jìn)行交互的綜合性技術(shù)，結(jié)合了語言學(xué)、心理學(xué)、工程和計(jì)算機(jī)技術(shù)等領(lǐng)域的知 識(shí)。語音交互不僅要對(duì)語音識(shí)別和語音合成進(jìn)行研究，還要對(duì)人在語音通道下的 交互機(jī)理、行為方式等進(jìn)行研究。語音交互過程包括四部分：語音采集、語音識(shí) 別、語義理解和語音合成。語音采集完成音頻的錄入、采樣及編碼；語音識(shí)別完 成語音信息到機(jī)器可識(shí)別的文本信息的轉(zhuǎn)化；語義理解根據(jù)語音識(shí)別轉(zhuǎn)換后的文 本字符或命令完成相應(yīng)的操作；語音合成完成文本信息到聲音信息的轉(zhuǎn)換。作為 人類溝通和獲取信息最自然便捷的手段，語音交互比其他交互方式具備更多優(yōu)勢(shì)， 能為人機(jī)交互帶來根本性變革，是大數(shù)據(jù)和認(rèn)知計(jì)算時(shí)代未來發(fā)展的制高點(diǎn)，具 有廣闊的發(fā)展前景和應(yīng)用前景。（2）情感交互 情感是一種高層次的信息傳遞，而情感交互是一種交互狀態(tài)，它在表達(dá)功能和信息時(shí)傳遞情感，勾起人們的記憶或內(nèi)心的情愫。傳統(tǒng)的人機(jī)交互無法理解和適應(yīng)人的情緒或心境，缺乏情感理解和表達(dá)能力，計(jì)算機(jī)難以具有類似人一樣的智能，也難以通過人機(jī)交互做到真正的和諧與自然。情感交互就是要賦予計(jì)算機(jī)類似于人一樣的觀察、理解和生成各種情感的能力，最終使計(jì)算機(jī)像人一樣能進(jìn)行自然、親切和生動(dòng)的交互。情感交互已經(jīng)成為人工智能領(lǐng)域中的熱點(diǎn)方向，旨在讓人機(jī)交互變得更加自然。目前，在情感交互信息的處理方式、情感描述方式、情感數(shù)據(jù)獲取和處理過程、情感表達(dá)方式等方面還有諸多技術(shù)挑戰(zhàn)。 （3）體感交互體感交互是個(gè)體不需要借助任何復(fù)雜的控制系統(tǒng)，以體感技術(shù)為基礎(chǔ)，直接通過肢體動(dòng)作與周邊數(shù)字設(shè)備裝置和環(huán)境進(jìn)行自然的交互。依照體感方式與原理的不同，體感技術(shù)主要分為三類：慣性感測(cè)、光學(xué)感測(cè)以及光學(xué)聯(lián)合感測(cè)。體感交互通常由運(yùn)動(dòng)追蹤、手勢(shì)識(shí)別、運(yùn)動(dòng)捕捉、面部表情識(shí)別等一系列技術(shù)支撐。與其他交互手段相比，體感交互技術(shù)無論是硬件還是軟件方面都有了較大的提升，交互設(shè)備向小型化、便攜化、使用方便化等方面發(fā)展，大大降低了對(duì)用戶的約束， 使得交互過程更加自然。目前，體感交互在游戲娛樂、醫(yī)療輔助與康復(fù)、全自動(dòng)三維建模、輔助購物、眼動(dòng)儀等領(lǐng)域有了較為廣泛的應(yīng)用。 （4）腦機(jī)交互腦機(jī)交互又稱為腦機(jī)接口，指不依賴于外圍神經(jīng)和肌肉等神經(jīng)通道，直接實(shí)現(xiàn)大腦與外界信息傳遞的通路。腦機(jī)接口系統(tǒng)檢測(cè)中樞神經(jīng)系統(tǒng)活動(dòng)，并將其轉(zhuǎn)化為人工輸出指令，能夠替代、修復(fù)、增強(qiáng)、補(bǔ)充或者改善中樞神經(jīng)系統(tǒng)的正常輸出，從而改變中樞神經(jīng)系統(tǒng)與內(nèi)外環(huán)境之間的交互作用。腦機(jī)交互通過對(duì)神經(jīng)信號(hào)解碼，實(shí)現(xiàn)腦信號(hào)到機(jī)器指令的轉(zhuǎn)化，一般包括信號(hào)采集、特征提取和命令輸出三個(gè)模塊。從腦電信號(hào)采集的角度，一般將腦機(jī)接口分為侵入式和非侵入式兩大類。除此之外，腦機(jī)接口還有其他常見的分類方式：按照信號(hào)傳輸方向可以分為腦到機(jī)、機(jī)到腦和腦機(jī)雙向接口；按照信號(hào)生成的類型，可分為自發(fā)式腦機(jī)接口和誘發(fā)式腦機(jī)接口；按照信號(hào)源的不同還可分為基于腦電的腦機(jī)接口、基于功能性核磁共振的腦機(jī)接口以及基于近紅外光譜分析的腦機(jī)接口。 計(jì)算機(jī)視覺計(jì)算機(jī)視覺是使用計(jì)算機(jī)模仿人類視覺系統(tǒng)的科學(xué)，讓計(jì)算機(jī)擁有類似人類提取、處理、理解和分析圖像以及圖像序列的能力。自動(dòng)駕駛、機(jī)器人、智能醫(yī)療等領(lǐng)域均需要通過計(jì)算機(jī)視覺技術(shù)從視覺信號(hào)中提取并處理信息。近來隨著深度學(xué)習(xí)的發(fā)展，預(yù)處理、特征提取與算法處理漸漸融合，形成端到端的人工智能算法技術(shù)。根據(jù)解決的問題，計(jì)算機(jī)視覺可分為計(jì)算成像學(xué)、圖像理解、三維視覺、動(dòng)態(tài)視覺和視頻編解碼五大類。（1）計(jì)算成像學(xué)計(jì)算成像學(xué)是探索人眼結(jié)構(gòu)、相機(jī)成像原理以及其延伸應(yīng)用的科學(xué)。在相機(jī)成像原理方面，計(jì)算成像學(xué)不斷促進(jìn)現(xiàn)有可見光相機(jī)的完善，使得現(xiàn)代相機(jī)更加輕便，可以適用于不同場(chǎng)景。同時(shí)計(jì)算成像學(xué)也推動(dòng)著新型相機(jī)的產(chǎn)生，使相機(jī)超出可見光的限制。在相機(jī)應(yīng)用科學(xué)方面，計(jì)算成像學(xué)可以提升相機(jī)的能力，從而通過后續(xù)的算法處理使得在受限條件下拍攝的圖像更加完善，例如圖像去噪、去模糊、暗光增強(qiáng)、去霧霾等，以及實(shí)現(xiàn)新的功能，例如全景圖、軟件虛化、超分辨率等。（2）圖像理解圖像理解是通過用計(jì)算機(jī)系統(tǒng)解釋圖像，實(shí)現(xiàn)類似人類視覺系統(tǒng)理解外部世界的一門科學(xué)。通常根據(jù)理解信息的抽象程度可分為三個(gè)層次：淺層理解，包括圖像邊緣、圖像特征點(diǎn)、紋理元素等；中層理解，包括物體邊界、區(qū)域與平面等； 高層理解，根據(jù)需要抽取的高層語義信息，可大致分為識(shí)別、檢測(cè)、分割、姿態(tài)估計(jì)、圖像文字說明等。目前高層圖像理解算法已逐漸廣泛應(yīng)用于人工智能系統(tǒng)， 如刷臉支付、智慧安防、圖像搜索等。（3）三維視覺三維視覺即研究如何通過視覺獲取三維信息（三維重建）以及如何理解所獲取的三維信息的科學(xué)。三維重建可以根據(jù)重建的信息來源，分為單目圖像重建、多目圖像重建和深度圖像重建等。三維信息理解，即使用三維信息輔助圖像理解或者直接理解三維信息。三維信息理解可分為，淺層：角點(diǎn)、邊緣、法向量等； 中層：平面、立方體等；高層：物體檢測(cè)、識(shí)別、分割等。三維視覺技術(shù)可以廣泛應(yīng)用于機(jī)器人、無人駕駛、智慧工廠、虛擬/增強(qiáng)現(xiàn)實(shí)等方向。（4）動(dòng)態(tài)視覺動(dòng)態(tài)視覺即分析視頻或圖像序列，模擬人處理時(shí)序圖像的科學(xué)。通常動(dòng)態(tài)視 覺問題可以定義為尋找圖像元素，如像素、區(qū)域、物體在時(shí)序上的對(duì)應(yīng)，以及提 取其語義信息的問題。動(dòng)態(tài)視覺研究被廣泛應(yīng)用在視頻分析以及人機(jī)交互等方面。（5）視頻編解碼視頻編解碼是指通過特定的壓縮技術(shù)，將視頻流進(jìn)行壓縮。視頻流傳輸中最為重要的編解碼標(biāo)準(zhǔn)有國際電聯(lián)的 、MJPEG 和MPEG 系列標(biāo)準(zhǔn)。視頻壓縮編碼主要分為兩大類：無損壓縮和有損壓縮。無損壓縮指使用壓縮后的數(shù)據(jù)進(jìn)行重構(gòu)時(shí)，重構(gòu)后的數(shù)據(jù)與原來的數(shù)據(jù)完全相同，例如磁盤文件的壓縮。有損壓縮也稱為不可逆編碼，指使用壓縮后的數(shù)據(jù)進(jìn)行重構(gòu)時(shí)， 重構(gòu)后的數(shù)據(jù)與原來的數(shù)據(jù)有差異，但不會(huì)影響人們對(duì)原始資料所表達(dá)的信息產(chǎn)生誤解。有損壓縮的應(yīng)用范圍廣泛，例如視頻會(huì)議、可視電話、視頻廣播、視頻監(jiān)控等。目前，計(jì)算機(jī)視覺技術(shù)發(fā)展迅速，已具備初步的產(chǎn)業(yè)規(guī)模。未來計(jì)算機(jī)視覺技術(shù)的發(fā)展主要面臨以下挑戰(zhàn)：一是如何在不同的應(yīng)用領(lǐng)域和其他技術(shù)更好的結(jié)合，計(jì)算機(jī)視覺在解決某些問題時(shí)可以廣泛利用大數(shù)據(jù)，已經(jīng)逐漸成熟并且可以超過人類，而在某些問題上卻無法達(dá)到很高的精度；二是如何降低計(jì)算機(jī)視覺算法的開發(fā)時(shí)間和人力成本，目前計(jì)算機(jī)視覺算法需要大量的數(shù)據(jù)與人工標(biāo)注，需要較長(zhǎng)的研發(fā)周期以達(dá)到應(yīng)用領(lǐng)域所要求的精度與耗時(shí)；三是如何加快新型算法的設(shè)計(jì)開發(fā)，隨著新的成像硬件與人工智能芯片的出現(xiàn)，針對(duì)不同芯片與數(shù)據(jù)采集設(shè)備的計(jì)算機(jī)視覺算法的設(shè)計(jì)與開發(fā)也是挑戰(zhàn)之一。 Th物特征識(shí)別生物特征識(shí)別技術(shù)是指通過個(gè)體生理特征或行為特征對(duì)個(gè)體身份進(jìn)行識(shí)別認(rèn)證的技術(shù)。從應(yīng)用流程看，生物特征識(shí)別通常分為注冊(cè)和識(shí)別兩個(gè)階段。注冊(cè)階段通過傳感器對(duì)人體的生物表征信息進(jìn)行采集，如利用圖像傳感器對(duì)指紋和人臉等光學(xué)信息、麥克風(fēng)對(duì)說話聲等聲學(xué)信息進(jìn)行采集，利用數(shù)據(jù)預(yù)處理以及特征提取技術(shù)對(duì)采集的數(shù)據(jù)進(jìn)行處理，得到相應(yīng)的特征進(jìn)行存儲(chǔ)。識(shí)別過程采用與注冊(cè)過程一致的信息采集方式對(duì)待識(shí)別