机器深度学习模型
智能识别系统包括机器视觉方向、3D视觉方向、物体的检测和识别。通过智能识别系统我们能做精密测量、产品或材料缺陷检测、目标捕捉、人脸识别、抓取物体等等。
机器学习方向结合深度学习与其它传统机器学习的算法模型研究， 为计算机视觉，语音识别，文本分析，语义理解，大数据分析，智能决策等应用领域提供有力的算法工具。
1. 传统机器学习方向：
涉及SVM， ANN， AdaBoost, Bayesian Network, Naive Bayes ,Decision Trees, Random Forest，EM， MCMC, HMM，GMM，GLM, LDA, ICA, K-means，FCM，Spectral Clustering, Logistic Regression，Social Network Theory等等 Supervised 和 Unsupervised learning 算法。
2. 深度学习
作为新世纪机器学习算法的明星代表，在大数据与高性能计算成为现实可能的时代背景下，深度学习在越来越广泛的领域获得巨大成功。深度学习的常见主要模型包括CNN（卷积神经网络），DNN，DBN，DBM，SAE等。系统由多层架构组成，每层包括数量不等的非线性处理单元（神经元）。通过分多层学习，获得有效的特征表达。 传统的模式识别过程一般如下图所示由预处理，特征提取/特征选取，输入分类器从而预测分类结果组成。在此过程中，特征提取对最终结果具有决定性作用。传统的特征提取通常由人工定义，尽管出现了以SIFT，HOG，SURF，DPM, LBP等为代表的有效特征描述子，但仍与理想的感知水平存在巨大的差距。
深度学习利用大量的数据和强大的计算，对特征分多层学习。高层的特征是低层特征的组合。自动学习获得的特征具有丰富的数据表达能力， 而大量的训练样本（可包括海量的Unlabeled Data) 又保证了复杂模型下的泛化能力。系统
深度学习在机器人物体识别与抓取中的应用：
深度学习在人脸识别中的应用：
3. 大数据分析应用：
大数据一般定义为4V--Volume,Velocity,Variety,Veracity。 通常具有分布式存储和非结构化等特点，超出了传统的关系型数据库的处理能力。 其与物联网，云计算等具有不可分割的关系。 常见的大数据处理平台如Hadoop， Apache Spark 等。
3.1 健康/医疗系统
3.2 金融应用，如防诈骗，风险控制。
3.3 零售业，如 next-best-offer。
3.4 非结构化的网络数据分析。
3.5 市场营销。
3.6 实时监控和错误检测。
4. 机器人路径规划和自主移动的算法研究
智能机器人导航包括以下几个步骤：
（1）通过多传感器数据融合，获取机器人在空间中的位置，方向，与环境信息。
（2) 对环境数据进行建模。
（3) 通过算法寻找最优的无障碍路径，实现安全移动的路径规划
