（1）图像识别概述与开发环境搭建：了解图像识别的发展历程、核心任务分类（图像分类、目标检测、图像分割、人脸识别）和典型应用场景（安防监控、医疗影像、工业质检、自动驾驶）。配置Python深度学习开发环境，安装PyTorch/TensorFlow、OpenCV、NumPy、Matplotlib等核心库。熟悉Jupyter Notebook和Google Colab的使用方法，掌握GPU加速训练的环境配置。
（2）数字图像处理基础：理解数字图像的生成与表示方式，包括像素、分辨率、色彩空间（RGB、HSV、Lab）及其转换原理。掌握图像的读取、显示、保存方法，学习图像的几何变换（裁剪、缩放、旋转、翻转）和图像增强技术（直方图均衡化、滤波去噪）。为深度学习模型提供高质量的输入数据。
（3）深度学习基础与神经网络：理解神经元模型、激活函数（Sigmoid、Tanh、ReLU、Leaky ReLU）的作用与选择。掌握多层感知器（MLP）的网络结构、前向传播与反向传播算法。学习损失函数（MSE、交叉熵）、优化器（SGD、Adam、RMSprop）的配置方法。通过手写数字识别（MNIST）案例实践完整的模型构建、训练和评估流程。
（4）卷积神经网络（CNN）原理：深入理解卷积运算的数学原理，掌握卷积层（卷积核、步长、填充、输入输出通道）、池化层（最大池化、平均池化）的作用。学习经典CNN架构（LeNet、AlexNet、VGG）的演进与特点。掌握批归一化（Batch Normalization）和Dropout的原理与应用。
（5）现代CNN架构与迁移学习：深入理解ResNet残差连接解决梯度消失的核心思想，学习DenseNet密集连接网络的创新点。掌握EfficientNet的复合缩放方法，了解MobileNet深度可分离卷积在移动端部署中的应用。学习迁移学习的核心思想，掌握两种迁移学习策略：特征提取（冻结预训练层）和微调（Fine-tuning）。实践使用预训练模型（ResNet、EfficientNet）解决自定义图像分类任务。
（6）图像分类实战：掌握图像分类任务的完整流程，包括数据集准备（CIFAR-10、ImageNet、自定义数据集）、数据预处理（归一化、标准化）和数据增强技术（随机裁剪、水平翻转、色彩抖动、CutMix、MixUp）。使用PyTorch/TensorFlow构建CNN分类模型，实现完整的训练、验证和测试流程。学习学习率调度、早停（Early Stopping）等训练优化技巧。
（7）目标检测技术：深入理解目标检测的核心任务（目标分类+定位）。掌握两阶段检测器（Faster R-CNN、Mask R-CNN）和一阶段检测器（YOLO系列、SSD）的原理与演进。学习锚框（Anchor Box）的概念、设计策略和匹配规则，理解非极大值抑制（NMS）的实现。实战训练YOLO目标检测模型，实现自定义数据集的目标检测应用。
（8）图像分割技术：掌握基于深度学习的图像分割技术。理解语义分割、实例分割、全景分割的区别与应用场景。学习全卷积网络（FCN）的核心思想和上采样技术（转置卷积、双线性插值）。掌握U-Net的编码器-解码器架构及其在医学图像分割中的应用。了解DeepLab系列的空洞卷积（Dilated Convolution）和空洞空间金字塔池化（ASPP）。实战实现U-Net图像分割模型。
（9）人脸识别技术：系统学习人脸识别的完整技术流程：人脸检测（MTCNN、RetinaFace）、人脸对齐、特征提取、人脸比对。掌握人脸识别核心算法（FaceNet、ArcFace）的原理与实现。学习人脸活体检测技术，区分真实人脸与照片、视频攻击。实战构建完整的人脸识别系统。
（10）光学字符识别（OCR）：掌握OCR技术的完整流程：文本检测（EAST、DB）和文本识别（CRNN、Attention OCR）。学习传统OCR方法与深度学习OCR模型的对比与选型。使用Tesseract、PaddleOCR等工具实现文字识别应用。实战构建文档扫描识别系统。
（11）模型优化与部署：掌握深度学习模型的优化技术，包括模型剪枝（结构化剪枝、非结构化剪枝）、知识蒸馏（教师-学生网络）、量化训练（INT8量化）。学习ONNX作为中间表示格式的转换方法。掌握使用TensorRT加速推理的配置和优化技巧。了解移动端部署方案（NCNN、TFLite、MNN）。实践完成模型从训练到端侧部署的全流程。
（12）综合项目实战：结合所学知识，完成一个完整的图像识别项目（如工业缺陷检测系统、人脸识别门禁系统、医学图像分割平台、车牌识别系统）。涵盖需求分析、数据采集与标注、模型选型与训练、优化加速、系统集成和效果评估的全流程，形成规范的图像识别项目报告。
