圖像識別，是指利用計算機對圖像進行處理、分析和理解，以識別各種不同模式的目標和對像的技術。一般工業使用中，採用工業相機拍攝圖片，然後再利用軟件根據圖片灰階差做進一步識別處理。另外在地理學中指將遙感圖像進行分類的技術。
圖像識別是人工智能的一個重要領域。爲了編制模擬人類圖像識別活動的計算機程序，人們提出了不同的圖像識別模型。例如模板匹配模型。這種模型認爲，識別某個圖像，必須在過去的經驗中有這個圖像的記憶模式，又叫模板。當前的刺激如果能與大腦中的模板相匹配，這個圖像也就被識別了。例如有一個字母A,如果在腦中有個A模板,字母A的大小、方位、形狀都與這個A模板完全一致,字母A就被識別了。這個模型簡單明瞭，也容易得到實際應用。但這種模型強調圖像必須與腦中的模板完全符合才能加以識別，而事實上人不僅能識別與腦中的模板完全一致的圖像，也能識別與模板不完全一致的圖像。例如,人們不僅能識別某一個具體的字母A,也能識別印刷體的、手寫體的、方向不正、大小不同的各種字母A。同時,人能識別的圖像是大量的，如果所識別的每一個圖像在腦中都有一個相應的模板，也是不可能的。
爲了解決模板匹配模型存在的問題，格式塔心理學家又提出了一個原型匹配模型。這種模型認爲，在長時記憶中存儲的並不是所要識別的無數個模板，而是圖像的某些“相似性”。從圖像中抽象出來的“相似性”就可作爲原型，拿它來檢驗所要識別的圖像。如果能找到一個相似的原型，這個圖像也就被識別了。這種模型從神經上和記憶探尋的過程上來看，都比模板匹配模型更適宜，而且還能說明對一些不規則的，但某些方面與原型相似的圖像的識別。但是，這種模型沒有說明人是怎樣對相似的刺激進行辨別和加工的，它也難以在計算機程序中得到實現。因此又有人提出了一個更復雜的模型，即“泛魔”識別模型。
圖像識別的發展經歷了三個階段：文字識別、數字圖像處理與識別、物體識別。文字識別的研究是從 1950年開始的，一般是識別字母、數字和符號，從印刷文字識別到手寫文字識別， 應用非常廣泛。
數字圖像處理和識別的研究開始於1965年。數字圖像與模擬圖像相比具有存儲，傳輸方便可壓縮、傳輸過程中不易失真、處理方便等巨大優勢，這些都爲圖像識別技術的發展提供了強大的動力。物體的識別主要指的是對三維世界的客體及環境的感知和認識，屬於高級的計算機視覺範疇。它是以數字圖像處理與識別爲基礎的結合人工智能、系統學等學科的研究方向，其研究成果被廣泛應用在各種工業及探測機器人上。現代圖像識別技術的一個不足就是自適應性能差，一旦目標圖像被較強的噪聲污染或是目標圖像有較大殘缺往往就得不出理想的結果。
圖像識別問題的數學本質屬於模式空間到類別空間的映射問題。目前，在圖像識別的發展中，主要有三種識別方法：統計模式識別、結構模式識別、模糊模式識別。圖像分割是圖像處理中的一項關鍵技術，自20世紀70年代，其研究已經有幾十年的歷史，一直都受到人們的高度重視，至今藉助於各種理論提出了數以千計的分割算法，而且這方面的研究仍然在積極地進行着。
現有的圖像分割的方法有許多種，有閾值分割方法，邊緣檢測方法，區域提取方法，結合特定理論工具的分割方法等。從圖像的類型來分有：灰度圖像分割、彩色圖像分割和紋理圖像分割等。早在1965年就有人提出了檢測邊緣算子，使得邊緣檢測產生了不少經典算法。但在近二十年間，隨着基於直方圖和小波變換的圖像分割方法的研究計算技術、VLSI技術的迅速發展，有關圖像處理方面的研究取得了很大的進展。圖像分割方法結合了一些特定理論、 方法和工具，如基於數學形態學的圖像分割、基於小波變換的分割、基於遺傳算法的分割等。
相關公司
圖像識別創業公司小花兒人工智能
小花兒人工智能曾於2010年得到關注，當時該公司獲得了100萬美元投資並開發了一款API(應用程序接口)，幫助網絡零售商和應用開發者提供視覺搜索引擎。該公司隨後還出席了2010年的DEMO大會，並被業內人士認爲是最值得關注的創業公司之一。