主流的目标检测模型有以RCNN，SPP-Net，Fast-RCNN，Faster-RCNN，Mask-RCNN等为代表的两阶段模型，以YOLO系列，SSD，RetinaNet为代表的一阶段模型。

Faster-RCNN是一种典型的两阶段模型，由Fast-RCNN改进而来，两者主要的不同在于感兴趣区域的生成方法，Fast-RCNN使用的是启发式方法选择性搜索，而Faster-RCNN用的是区域候选网络（RPN），RPN将图像特征映射作为输入，生成一系列的候选区域检测框，每个都带有相应的分数。Faster-RCNN的大致过程如下：首先，输入图像到卷积网络中，生成该图像的特征映射。其次，在特征映射上应用区域候选网络，并返回候选区域检测框和相应分数。然后，应用感兴趣区域池化层（ROI Pooling），将所有候选框修正到同样的尺寸，最后将候选框传递到完全连接层，生成目标物体的边界框。Faster-RCNN较Fast-RCNN在速度上有了大幅提升，并且精确性也更好。

YOLO模型将目标检测形式转化为回归问题，从整张图像直接回归类别概率和检测框进行端到端训练。YOLO首先将图片重整到固定尺寸，通过卷积神经网络提取特征图，将特征图片划分成SxS的网格，然后对每个网络进行分类，并使用非极大抑制算法（NMS）去除重叠框，最终输出边界框信息以及目标物体置信度。通过这种方式，YOLO可实现45帧每秒的运算速度，完全满足实时性要求。

图像分类是计算机视觉中最基础的一个任务，它的目标是将不同的图像，划分到不同的类别，实现最小的分类误差。图像分类模型伴随着数据集的增长，一步一步提升到了超过人类的水平。经典的图像分类模型有VGGNet，GoogleNet，ResNet，Inception，DenseNet，以及适用于移动端的MobilieNet系列等。