Die Monographie widmet sich der Entwicklung von Methoden und Mitteln zur Nutzung von KI, um bewegte Objekte in einem Videodatenstrom auf der Grundlage von Deep-Learning-Technologien schnell zu identifizieren. Dabei werden klassische und nicht-klassische Methoden der KI, Faltungsneuronale Netze, Computer Vision und Mustererkennung sowie Theorien von Kontrollsystemen auf der Grundlage von Schätzungen und Kriterien der mathematischen Statistik berücksichtigt. Als Ergebnis der Erkennung werden wir den Typ des erkannten Objekts bestimmen und über quantitative Genauigkeitsschätzungen verfügen. Es wurde eine Methode zur Anwendung von Schablonen implementiert. Der Algorithmus verfügt über Informationen darüber, wie das gesuchte Objekt aussieht, welche Art von Hintergrund es haben könnte, wie bestimmte Konturen des Objekts aussehen und welche Positionen sie einnehmen könnten. Er berücksichtigt sofort einen möglichen Ort für die Erkennung des Objekts. Damit lässt sich eine hohe Erkennungsqualität und eine gute Leistung erzielen. Wenn die Videokamera jedoch mehrere ähnliche Objekte aufnimmt, werden unterschiedliche Muster erfüllt, und die Erkennungsleistung nimmt ab. Eine Familie von Modellen (künstliche neuronale Netze) wird verwendet, um Funktionen zu schätzen oder zu approximieren, die von vielen Eingaben abhängen können und in der Regel unbekannt sind.