综合基础类

• 《图像处理、分析与机器视觉》：作者是 Milan Sonka、Vaclav Hlavac、Roger Boyle。内容系统全面，从基本的图像处理技术，如灰度变换、滤波等，到高级的机器视觉算法，如特征提取、目标识别等都有涉及。理论与实践结合紧密，有大量医疗影像、工业检测等实际应用案例，适用于多个领域的图像处理和机器视觉学习，不过需要一定的数学基础才能完全理解。

• 《计算机视觉：算法与应用》：由计算机视觉专家 Richard Szeliski 所著。书中阐述了计算机视觉算法的基本原理和应用，涵盖图像处理、视觉中的几何、多视角几何、3D 重建以及各种视觉应用等，适合初学者入门，也涉及了计算机视觉领域的最新进展。

深度学习应用类

• 《深度学习与计算机视觉》：作者 Giancarlo Zaccone。专注于深度学习在计算机视觉领域的应用，通过大量实际案例展示了如何将深度学习技术应用于图像分类、目标检测、语义分割等任务，提供了丰富的代码和数据集，实践性强，适合想深入学习深度学习在图像识别中应用的读者。

• 《深度学习与卷积神经网络》：作者 Adrian Rosebrock。重点介绍卷积神经网络（CNN）在计算机视觉中的应用，从卷积神经网络的基本概念、原理，到如何构建和优化 CNN 模型来处理图像数据都有详细讲解，有大量实际项目案例，帮助读者掌握 CNN 在图像识别中的应用技巧。

编程实践类

• 《Python 计算机视觉》：作者 Jan Erik Solem。以 Python 为编程语言，详细介绍图像处理和计算机视觉的基本概念和技术，有丰富的代码示例，通过实际项目和案例帮助读者掌握计算机视觉的核心技术，如利用 Python 库进行图像读取、处理、特征提取等，配套资源丰富，适合有一定 Python 基础，想通过实践学习图像识别的读者。

• 《学习 OpenCV》：对 OpenCV 库进行了全面介绍，OpenCV 是图像处理和计算机视觉领域中非常重要的开源库。书中从 OpenCV 的基础结构讲起，演示了如何用 OpenCV 和现有的自由代码为各种机器进行编程，有助于读者迅速入门并深入探索计算机视觉领域，适合想要通过 OpenCV 进行图像识别开发的读者。

理论进阶类

• 《计算机视觉：模型、学习和推理》：由斯坦福大学的计算机视觉专家 Simon J. D. Prince 所著。涵盖了计算机视觉领域的各个方面，包括底层图像和视频处理、3D 形状推断、目标识别、视觉跟踪以及深度学习等，作者采用循序渐进的方法，引入实际案例帮助读者理解各个概念和技术。

• 《模式分类》：是模式识别和场景分析领域奠基性的经典名著，被哈佛、斯坦福、剑桥等 120 多所大学采用作为教材。第 2 版新增了许多近 25 年来的新理论和新方法，包括神经网络、机器学习、数据挖掘等，书中有许多实例、方法对比、丰富图表以及大量课后习题和计算机练习。