27届计算机专业深度学习选题推荐
毕设开题季，深度学习方向依旧热门。选题的核心就一句话：先求稳妥闭环，再谈创新加分。大多数人适合「成熟模型 + 公开数据 + 具体场景 + 完整演示」；有余力时，再在框架上加一个讲得清的改进点。
下面按目标和难度分层推荐，每个方向给出具体题目，可直接对号入座。
一、稳妥首选：成熟模型 + 场景包装
拿现成成熟模型，套一个具体应用场景。评委看的是完整度------数据怎么来、为什么做这个场景、系统能不能演示------而不是模型有多复杂。
图像分类
| 题目 | 数据集 | 技术路线 |
|---|---|---|
| 基于 ResNet 的垃圾分类识别系统 | Kaggle 垃圾分类数据集 | ResNet / EfficientNet 迁移学习 |
| 农作物叶片病害识别系统 | PlantVillage 公开数据集 | 同上 |
| 交通标志识别系统 | GTSRB 德国交通标志数据集 | 同上 |
目标检测（YOLO 系列）
| 题目 | 数据集 | 技术路线 |
|---|---|---|
| 工地安全帽佩戴检测系统 | 自建或公开安全帽数据集 | YOLOv8 微调 + Gradio / Streamlit 演示 |
| 口罩佩戴检测系统 | 公开口罩人脸数据集 | 同上 |
| 道路坑洞 / 井盖病害检测 | 自建道路图像 | 同上 |
典型范例：基于 YOLOv8 的安全帽检测，测试集 mAP 90% 以上、速度满足实时要求，就是稳妥选题的标准形态。
自然语言处理
| 题目 | 数据集 | 技术路线 |
|---|---|---|
| 商品评论情感分析系统 | 电商评论公开语料 | BERT 微调 |
| 垃圾短信识别系统 | 公开短信数据集 | BERT / TextCNN |
判断标准：能回答「数据从哪来、单卡能不能训完、答辩讲什么」，这个题目就成熟了。
二、冲高分：成熟框架 + 针对性改进
时间充裕、数学基础不错，可以在应用上加一个改进点，让论文有「方法」章节。原则：一次只改一个主要变量，改动必须配消融实验。
推荐题目
1. 基于改进 YOLOv8 的 PCB 板缺陷检测
在 YOLOv8 基础上做几处改进：EMA 注意力改进主干、优化 C2f 模块、Neck 增加小目标检测层。PCB 缺陷检测可达 94.7% mAP，同时保持 58 FPS。加分点在于改进清晰（每项有消融支撑）、场景有工业价值、数据自主采集标注。
2. 基于 YOLOv5 + CBAM 的交通标志检测
在 YOLOv5 中加入 CBAM 注意力模块，mAP 涨两三个点就足以评优秀------关键在讲清「为什么改、改了之后好在哪」。
3. 基于轻量化网络的移动端表情识别
采用 MobileNetV2 倒残差结构，结合 CBAM 动态加权眼部、眉部区域，在保持识别精度的同时将模型压缩到适合移动端部署。
可选改进方向
- Backbone / Neck 加轻量注意力（CBAM、SE、EMA），针对小目标或复杂背景
- 换更适合任务的损失函数或标签分配策略，针对遮挡、密集目标
- 面向部署做轻量化：剪枝、知识蒸馏、更换轻量骨干，报告参数量、FLOPs、FPS 变化
三、跨场景组合：适合基础扎实的同学
想让题目更有辨识度，可以考虑组合型选题：
- 检测 + 跟踪：视频车流统计、人流计数。YOLOv8 检测 + DeepSORT / ByteTrack 跟踪。
- 检测 + 识别联动：车牌检测与字符识别、发票检测与 OCR 识别。
- 双模型协同：ResNet18 + MobileNetV2 双架构的病理图像分类，一个适配高性能设备，一个适配资源受限场景。
风险提醒：模块一多容易顾此失彼。先把主链路跑通，再逐步叠加，不要一上来追求大而全。
四、先避开这些坑
| 类型 | 典型情况 |
|---|---|
| 数据拿不到 | 珍稀物种识别、特定医院病历、企业内部缺陷数据 |
| 隐私 / 伦理过不了 | 人脸库、敏感医疗信息且无授权 |
| 战线太长 | 物联网 + 单片机、同时开发 App 和后端 |
| 陈题 | 连续几年都有人做的老题目，缺乏新意 |
三条核心建议
- 先问可行性，再想创新性------数据能拿到、算力撑得住、流程能跑通，这是底线。
- 稳妥选题靠场景加分------成熟模型套有实际意义的场景，完整演示比花哨模型更重要。
- 冲高选题靠改进支撑------加一个讲得清的改进点，用消融实验证明它有效。
题目定得稳，后面的数据、训练、写作和答辩都会顺很多。与其追炫酷但做不完的方向，不如挑一个能踏实做完、还能讲出门道的题目。