计算机视觉作为人工智能领域的关键分支，历经半个多世纪的发展，实现了从简单的二维模式识别到复杂的三维场景理解的跨越。本文系统梳理了计算机视觉从20世纪60年代的萌芽阶段到当今深度学习时代的演变历程，分析了各时期的理论基础、技术突破与典型应用。研究表明，计算机视觉的发展遵循从手工特征设计到自动特征学习，从独立模块处理到端到端优化，从二维图像分析到三维场景理解的演进路径。未来，随着多模态融合、具身智能等新兴方向的发展，计算机视觉将向着通用视觉智能的更高目标迈进，同时在可解释等方面面临新的挑战。

关键词：计算机视觉；深度学习；视觉计算理论；三维重建；图像识别

1 引言

计算机视觉是一门研究如何使机器"看见"并"理解"数字图像或视频内容的学科，其核心目标是模拟人类视觉系统的功能，实现对三维世界的感知与交互-2。自20世纪60年代诞生以来，计算机视觉经历了从简单的二维模式识别到复杂的三维场景理解的演变，其发展历程与多学科交叉融合密不可分-2。

计算机视觉的发展与理论基础、算法模型和硬件设备三大要素的进步相辅相成。从Lawrence Roberts对积木世界的开创性研究，到David Marr提出的系统性视觉计算理论，再到深度学习带来的技术革命，计算机视觉的每一次飞跃都体现了理论创新与技术突破的深度融合-1 -2。尤其是2012年以来，深度卷积神经网络在ImageNet竞赛中的突破性表现，开启了计算机视觉发展的新纪元-9。

本文旨在系统回顾计算机视觉的发展历程，分析各阶段的核心理念、技术特点和代表性工作，并展望未来发展趋势。通过梳理这一学科从萌芽到成熟的历史脉络，为研究者和学习者提供全面的技术视角，也为未来研究方向提供有价值的参考。

2 计算机视觉的萌芽与早期探索（1960s-1970s）

计算机视觉的起源可追溯至20世纪60年代，这一时期的研究呈现出明显的探索性质，受限于当时的计算能力和理论基础，研究内容主要集中于简化的视觉世界。

2.1 起源与开创性工作

1963年，被誉为"计算机视觉之父"的Lawrence Roberts发表了《三维实体的机器感知》一文，首次系统地探讨了如何从二维图像中提取三维物体的几何信息-6 -10。他在研究中构建了一个由简单多面体组成的"积木世界"，并开发了能够从二维图像中识别和重建这些三维物体的算法-2。这一开创性工作奠定了基于规则推理的视觉分析方法，为后续研究提供了重要启示。

1966年，麻省理工学院（MIT）启动了著名的"夏季视觉项目"，旨在探索通过计算机程序识别图像中的物体并定位其边界-10。这一项目虽然未能取得立竿见影的实用成果，却标志着计算机视觉作为一个独立研究方向的诞生，吸引了众多研究者投身这一领域。

2.2 Marr视觉计算理论的提出

20世纪70年代末，MIT的David Marr提出了革命性的视觉计算理论，为计算机视觉建立了系统的研究框架，使其成为一门独立的学科-1 -2。Marr从信息处理的角度出发，将视觉视为一个多级分析过程，认为视觉系统的核心任务是从图像中恢复物体的三维形状和空间位置-2。

Marr理论框架的核心在于提出了三个层次的研究方法：计算理论层次、表示与算法层次以及硬件实现层次-2。他特别强调，理解视觉的计算本质关键在于最高层次——计算理论层次，因为这决定了待解决问题的本质，而不依赖于特定的硬件实现-2。

在表征框架上，Marr提出了三级表征体系：初始素描、2.5维素描和三维模型表征-2。初始素描通过对光线明暗变化的分析，形成对二维图像中几何特征的描述；2.5维素描则结合阴影、纹理、运动和双眼视差等信息，构建物体表面的深度和方位；三维模型表征最终以物体为中心的坐标系描述物体的三维形状与空间位置-2。

Marr的视觉计算理论不仅提供了具体的技术方案，更重要的是为计算机视觉研究建立了系统的科学框架，将心理学、神经科学等多学科成果融入视觉研究，使视觉信息处理从描述性研究提升为数理科学的研究水准-2。

2.3 初期技术方法与应用局限

在Marr理论框架的指导下，70年代的计算机视觉研究主要集中在边缘检测、线段解释和阴影处理等初级视觉任务上-6。Huffman、Clowes和Waltz等学者对积木世界进行了深入研究，分别解决了由线段解释景物和处理阴影等问题-2 -6。

然而，这些早期方法具有明显的局限性。它们主要适用于高度简化的场景（如积木世界），对于稍微复杂的真实世界景物便难以奏效-2 -6。此外，这些方法大多基于严格的几何规则和先验假设，缺乏对不确定性的处理能力，限制了其在复杂环境中的适用性。

表1：计算机视觉早期发展阶段的理论与特点

时期	代表理论与方法	技术特点	应用局限
1960s	Roberts的积木世界分析	基于几何规则推理，简单二维图像分析	仅适用于理想化多面体
1970s	Marr视觉计算理论	系统化三级处理流程，强调计算理论	对复杂真实场景适应性差
初期视觉	边缘检测、线段解释	低层特征提取，图像预处理	缺乏语义理解能力

3 从理论到实践的拓展（1980s-1990s）

进入20世纪80年代，计算机视觉研究呈现出多元化发展趋势，新的理论框架不断涌现，同时开始从实验室研究走向实际应用。

3.1 理论框架的多元化发展

随着Marr视觉理论的广泛传播，学者们也开始认识到其局限性，特别是它过于强调自下而上的处理流程而忽略了高层知识的指导作用-2。为此，研究者们提出了多种新的理论框架作为补充。

基于感知特征群的物体识别理论框架、主动视觉理论框架和视觉集成理论框架等新概念相继出现-5。其中，主动视觉理论强调视觉系统应当是一个主动的、有目的的感知过程，而非被动接收信息-6。这一观点与Marr的理论形成鲜明对比，为机器人视觉等应用提供了新的思路。

与此同时，概率模型与机器学习方法开始引入计算机视觉领域。1984年，Stuart Geman和Donald Geman发表了关于随机松弛、吉布斯分布和图像贝叶斯恢复的先驱性论文，引入了马尔可夫随机场、吉布斯采样和最大后验估计等重要概念-7。这些概率方法为处理视觉问题中的不确定性提供了数学工具，极大地丰富了计算机视觉的方法论。

3.2 工业应用的开端

80年代至90年代，计算机视觉技术开始走出实验室，在工业领域找到实际应用场景。1981年的Consight系统成为第一造厂投入生产的机器视觉系统，成功实现了以每小时1,400个的速度在传送带上分拣多达六个不同的铸件-10。

工业视觉系统的优势在于其非接触检测方式，能够适应不适合人工作业的危险环境或人工视觉难以满足要求的高精度场合-5。在大批量重复性的工业生产过程中，机器视觉检测方法可以大幅提高生产效率和自动化程度-5。

90年代，计算机视觉在字符识别、简单物体分类和初步三维重建等任务上取得稳步进展-5。1995年，Corinna Cortes和Vladimir Vapnik提出带有soft margin的支持向量机（SVM） 及其核版本，并用于手写数字分类，成为各种应用中的基准分类器-7。

*表2：1980s-1990s计算机视觉的典型应用领域*

应用领域	关键技术	代表系统/方法	实际成效
工业检测	物体识别、缺陷检测	General Motors Consight系统	实现自动化分拣，效率1400个/小时
字符识别	模式分类、特征提取	支持向量机(SVM)	手写数字高精度识别
医学图像	图像分割、特征分析	矩阵代数分解方法	细胞计数、初步病灶识别
三维重建	立体视觉、运动分析	从运动恢复结构(SfM)	简单物体三维模型重建

4 深度学习的革命与当代发展（2000s至今）

21世纪以来，尤其是2012年后，深度学习技术的突破性进展带领计算机视觉进入了前所未有的快速发展阶段，在理论和应用层面都取得了显著成就。

4.1 深度学习的范式转变

2012年，Hinton的研究团队提出的AlexNet模型在ImageNet大规模视觉识别挑战赛(ILSVRC)中以超越第二名10%以上的巨大优势夺得冠军，标志着深度学习在计算机视觉领域的崛起-9。AlexNet采用8层神经网络（5层卷积层和3层全连接层），使用ReLU激活函数替代传统的sigmoid，并采用dropout方法缓解过拟合，显著提升了图像分类的准确率-9。

AlexNet的成功引发了对深度神经网络架构的深入研究。2014年，牛津大学视觉几何组提出的VGGNet通过重复使用3×3卷积核和2×2池化层，将网络深度加深到16-19层-9。2015年，微软亚洲研究院的He等提出的ResNet引入残差连接模块，解决了深度网络训练中的梯度消失问题，使网络深度可达152层，在ImageNet数据集上的top-5错误率降至3.6%-9。

深度学习的崛起带来了计算机视觉研究范式的根本转变：从手工设计特征转向自动学习特征，从独立模块处理转向端到端联合优化，从浅层模型转向深层神经网络-9。这一转变大幅提升了计算机视觉系统在复杂任务中的性能，使其在许多特定任务上达到甚至超越人类水平。

4.2 三维视觉的复兴与新挑战

随着深度学习在二维视觉任务上取得显著进展，研究重点开始向三维视觉理解回归，这恰应验了Marr关于视觉最终目标是恢复三维结构的预见-1。

近年来，神经辐射场（NeRF）、三维高斯泼溅（3D Gaussian Splatting） 等技术大大推进了从图像进行三维重建的质量和效率-3。2025年，北京航空航天大学等机构的研究团队提出了GeoSVR（几何稀疏体素重建） 方法，这是一种全新的显式几何优化框架，通过在几何准确性、细节捕捉和完整性上的全面改进，超越了3DGS系列方法-3https://finance.sina.com.cn/tech/roll/2025-10-13/doc-inftthkn8472547.shtml。

GeoSVR方法的核心创新包括体素不确定性深度约束和稀疏体素表面正则化，能够在保持效率的同时实现精确、完整的表面重建-3。这一进展为机器人感知、自动驾驶、数字孪生等应用提供了更高效的三维环境构建技术。

同时，可解释性成为计算机视觉研究的新焦点。2025年，电子科技大学、南开大学和清华大学的研究团队开发了RPCANet++，这是一个智能图像分割系统，专门用于从复杂背景中找出稀疏分布的小物体-8。该方法的创新之处在于将经典的鲁棒主成分分析理论转化为深度神经网络结构，既保持了深度学习的高效率，又提供了可解释的推理过程-8。

4.3 应用领域的全面拓展

当代计算机视觉技术已渗透到各行各业，在多个领域发挥重要作用：

表3：深度学习时代代表性神经网络架构比较

模型名称	提出时间	核心创新	ImageNet top-5错误率	主要贡献
AlexNet	2012	深度CNN架构、ReLU、Dropout	17.0%	开启深度学习在CV的应用
VGGNet	2014	小卷积核堆叠、网络加深	11.7%	证明网络深度的重要性
ResNet	2015	残差连接、恒等映射	3.6%	解决深度网络梯度消失问题
DenseNet	2017	密集连接、特征复用	-	增强特征传播，减少参数

5 未来发展趋势与挑战

尽管计算机视觉取得了长足进步，但其发展仍面临诸多挑战，同时也呈现出清晰可见的未来趋势。

5.1 通用视觉智能的发展路径

当前计算机视觉系统主要在专用人工智能范畴内发挥作用，未来将向着通用视觉智能的方向迈进-1。通用人工智能要求具备"时间"、"空间"和"推理"的计算能力，而Marr视觉理论框架已具备了前二者的基础，再融入"推理"能力，将成为通用计算机视觉智能的基石-1。

实现这一目标的关键技术路径包括：

5.2 伦理挑战与社会影响

随着计算机视觉技术的普及，其伦理影响和社会后果日益受到关注：

5.3 技术瓶颈与突破方向

计算机视觉进一步发展面临若干技术瓶颈，需在以下方面寻求突破：

6 结语

计算机视觉的发展历程是一条从简单到复杂、从专用到通用、从感知到认知的演进之路。从Roberts的积木世界到Marr的视觉计算理论，再到深度学习的革命性突破，计算机视觉不断克服技术障碍，拓展应用边界，实现了从实验室概念到产业界核心技术的华丽转身。

回顾计算机视觉的发展历程，我们可以清晰地看到三条主线：一是理论框架的不断完善，从基于规则的方法到概率模型再到深度学习；二是技术能力的持续提升，从二维边缘检测到复杂三维场景理解；三是应用场景的不断拓展，从工业检测到医疗诊断，从自动驾驶到增强现实。

未来，计算机视觉将朝着通用视觉智能的方向发展，在三维场景理解、多模态联合推理、持续学习等领域持续突破。同时，随着技术在社会生活中的深度融合，可解释性、伦理规范和社会影响将成为与技术创新同等重要的考量因素。

当计算机视觉系统不仅能"解析"光线，更能"理解"视觉信息的深层含义时，我们或许将重新定义"看见"的本质——那不仅是光线的解析，更是对世界的智能诠释。计算机视觉的终极目标，不仅是赋予机器以视觉能力，更是通过这种跨物种的视觉体验，深化人类对自身感知系统的理解，最终实现人类与机器的协同进化与共生。

参考文献

- 医疗影像分析：基于深度学习的技术在多种疾病的筛查和诊断中展现出媲美甚至超越人类专家的能力。例如，在糖尿病视网膜病变诊断中，Google Health开发的算法曲线下面积（AUC）可达0.99，为早期干预提供了可能-8。
- 自动驾驶系统：从车道线检测到行人意图预测，从交通标志识别到场景语义分割，多层级的视觉理解模块构成了自动驾驶系统的感知中枢-4。近期突破的3D目标检测技术，通过单目摄像头实现深度估计，正在降低自动驾驶硬件成本的技术门槛-4。
- 工业质检：基于迁移学习的少样本学习技术，使同一模型可快速适配不同产品的缺陷检测需求-4。深度学习模型能够检测微米级的芯片缺陷，在汽车制造业中，视觉测量系统能够精确评估车身装配间隙，精度可达0.1毫米以内。
- 智能安防：人脸识别技术已广泛应用于出入境管理、区域准入、犯罪嫌疑人追踪等场景。现代人脸识别系统在LFW等基准测试中的准确率已超过99.8%，甚至能在一定角度遮挡、光照变化等挑战条件下保持稳定性能。
- 多模态融合：将视觉信息与文本、音频等其他模态数据结合，可提供更全面的环境理解。OpenAI的CLIP模型通过对比学习对齐图像和文本特征，实现了强大的零样本识别能力-4。
- 自监督学习：通过从无标注数据中自动生成监督信号，减轻对人工标注的依赖。Meta AI提出的DINO算法已在这一方向取得积极进展-4。
- 神经符号整合：尝试将深度学习的感知能力与符号主义的推理机制结合，通过神经网络的概率输出驱动符号规则引擎，为黑箱模型注入透明性基因-4。
- 隐私保护：面部识别技术的滥用引发隐私危机，需要在技术便利与个人权利之间寻求平衡-4。
- 算法公平性：研究发现，人脸识别技术在不同种族群体间存在准确性差异，凸显了算法偏见问题-4。开发公平、无偏的视觉算法成为重要研究方向。
- 可解释性与透明度：在医疗诊断、自动驾驶等高风险应用中，模型的决策过程需要可解释，以建立用户信任-8。RPCANet++等可解释AI方法为这一方向提供了示范-8。
- 环境影响：训练大型深度学习模型产生的碳足迹引发关注，推动研究者探索更环保的AI技术，如模型压缩、知识蒸馏和量化方法-4。
- 数据效率：当前深度学习模型通常需要大量标注数据才能掌握新的识别任务，而人类仅需3-5张样本就能学会新物种的识别-2。提高数据效率是未来研究的关键挑战。
- 环境适应性：训练数据与真实环境之间的分布差异会导致模型性能下降，光照变化、天气条件、遮挡等因素都可能影响视觉系统的稳定性-4。开发具有强泛化能力的模型是实际部署的迫切需求。
- 计算效率：许多先进算法难以在边缘设备上部署，如何在有限的计算预算内维持算法性能是产业界持续探索的方向-4。模型轻量化和边缘计算技术将推动视觉识别的泛在化部署。
- 物理理解：当前视觉系统主要关注外观特征，对物体的物理属性和因果关系的理解仍然有限。下一步发展需要融合物理引擎和因果推理，使机器不仅能"看见"世界，更能理解其物理规律与因果机制-4。