近年来,随着人工智能技术的发展,将卷积神经网络应用于动态目标识别任务已经成为研究的重点。通过采集动态目标的图像数据作为卷积神经网络的输入数据,并对输入图像数据设置对应的标签值作为理想输出,卷积神经网络根据所给定的输入与理想输出,拟合出给定输入与理想输出之间的非线性映射关系,这是卷积神经网络的工作原理。在环境光照条件无太大变化时,采集动态目标图像,并将其作为卷积神经网络的输入数据学习训练网络模型,卷积神经网络能较好地完成目标的识别任务。但是当环境光照条件发生变化时,采集到的动态目标图像发生变化,图像部分信息丢失,要识别图像中的目标物体变得非常困难。针对这样的问题,提出了两类先验知识和将这些先验知识与卷积神经网络相结合,提出了一种基于先验知识的卷积神经网络动态目标快速识别算法,有效地解决了环境光照条件变化时动态目标难于识别的问题,并且提高了动态目标识别的快速性。其主要研究工作如下:(1)进行了基于先验知识的卷积神经网络动态目标识别研究。首先进行了环境光照条件变化时目标图像的动态特性分析,然后提出了截取图像中圆形目标物体的最小外接矩形算法,并基于卷积神经网络,引入两类先验知识,一类是基于特征匹配的方法定义先验知识,另一类是通过预训练卷积神经网络模型,并将网络模型的测试结果作为先验知识,然后构建了基于先验知识的卷积神经网络动态目标识别模型。模型的构建过程为:在任意光照条件下采集目标物体图像,并将其作为卷积神经网络的输入数据训练卷积神经网络模型,并根据网络模型的测试结果确定标准光照条件。将标准光照条件作为先验知识,在标准光照条件下,引入基于特征匹配方法定义的先验知识,采集目标物体图像,并将其作为卷积神经网络的输入数据训练卷积神经网络模型,同时引入基于特征匹配方法定义的先验知识对测试图像数据进行图像处理,然后将其放入已训练好的网络模型中测试,得到目标的识别结果。(2)在实验室搭建了实验环境,实验目标对象为中国机器人大赛的比赛用球。通过在实验环境下采集的目标球图像对本文所提的光照变化条件下的动态目标识别算法进行验证,给出了实验结果并与典型卷积神经网络模型的识别效果进行了对比,实验验证了本文所提算法的有效性。