实现这样的目标，自然要涉及云计算、大数据、物联网应用等新一代信息技术的支撑，特别是人工智能的应用。
人工智能（AI-ArtificialIntelligence）是计算机科学的分支，是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用的一门边缘和交叉学科。现已发展成具有完整的学科体系；独特的研究方法和非常广泛应用领域的独立的学科。
由于深度学习优异的特征学习能力；对数据更本质的刻画；快速的知识积累，拓展了人工智能的研究和应用领域，使得机器学习能够完成更多的任务，实现更多的应用；势如破竹地攻克了一些长期未能解决的难题，使得人们企盼的智能机器变为可能，人工智能不再是人们的期望，而是近在眼前，甚至即将实现。如、无人驾驶汽车、预防性医疗与健康管理等。
可以说，人工智能界终于找对了方向，实现了大爆发。人类第一次如此接近了人工智能的梦想；真正、真实的看到了人工智能辉煌的未来。
人工智能是支撑自动（智能）化系统的基础技术。也是安防（视频监控）系统的基础技术，或者说：安防是人工智能研究（应用）的重要领域。雪亮工程应时而出，自然成为人工智能新的研究和应用领域。具体应用主要有：
一、实施功能的自主化
视频监控系统包含许多遥控和编程控制功能和子系统，如、摄像机的目标跟踪；多个摄像机，或摄像机与系统其它设备的多机联动、功能联动等遥控和编程控制功能或子系统。这些功能是由人的操纵或预先设定的程序控制来完成。采用人工智能，可实现系统的自主动作，如、摄像机自动发现目标，然后自主地进行跟踪；根据目标的行为，自主地与相关摄像机和其它设备进行联动。
机器人、无人机等是人工智能的重要研究领域，涉及人工视觉、人工触觉等技术。目前广泛应用于安防领域的这些设备基本上还是遥控装置。采用人工智能技术，可以逐渐实现动作的自主动性，如通过人工视觉，感知目标的特征、形态、距离和速度等，自主地跟踪目标、避障、制动和发动攻击等；通过人工触觉，感知物体的重量、虚实、光滑度等，自主地抓物或采用相应的失能处置。
通常，自动化系统分为三个层次：遥控、编程控制和自主动作。显然、后者技术难度最高，是自动化的最高境界——智能化。但并不是所有系统和设备都需要智能化，各层次的产品适应不同的应用，并非都要实现自主动作。
二、提高动作的精准性和效率
视频监控系统中许多功能和子系统已采用了机器学习技术，根据统计学理论，进行价值判断，提高性能与能力。若采用深度学习，就可以进一步提高它们的学习能力。如图像系统的生物特征识别（人脸、指纹等）、图像内容分析及搜图等系统，通过深度学习可提高识别、判断、搜索的精准性和效率；同时可以增强系统的抗干扰能力、环境适应性，提高其实用性，扩展其应用的范围。
摄像机图像调节（光、焦、抖动）、宽动态、数字降噪及透雾等功能都是通过软件来实现的。通过机器学习的训练，可以不断的优化算法，获得更佳的图像效果。在此基础上，产生了软件定义摄像机的概念。
改进图像内容分析及搜图等系统的学习方法，提高目标分类、行为判断、搜索的精准性和效率。特别是通过深度学习的训练，提高图像分类特征表示的精细（粒）度，提高图像标识的精准性。为系统学习提供高质量的、深层次的数据，逐步实现图像信息的（半）结构化处理。在通常的监控环境下，实现图像中事件的标识；人脸识别的应用；以及步态识别、声纹识别等关键技术的突破和初步应用。在进行图像内容标识时，数据融合对提高标识的精准性和深度有很大的帮助。数据融合也有助于感知前端的完善和云边结构的构成。
三、提高系统的决策水平
安防和视频监控系统中存在着各种各样的决策系统，大如风险评估、预警系统和预案（专家）系统；小如图像调节的算法、目标跟踪的方案。采用深度学习技术，提高预警、风险评估，预案等专家系统的决策水平；图像搜索的策略等，这些决策水平的高低，决定系统的应用水平和功能满足业务需求的能力。
通过人工智能的应用，深化图像信息的应用；破解公共安全难题；构建风险评估体系，安全预警体系，促进和加快现代安全体系的建立，是中央对公共安全的要求，也是雪亮工程建设的重要目标。
上述应用本质是大数据处理，我们通过从新的、更多的角度（维度）和深度，观察世界（事务），来提高洞察、决策、程序优化的能力；通过数据融合，挖掘图像的深层次的信息，真正发现大数据的价值。
四、人工智能的应用场景
场景，是指技术应用的（外界）环境。是充分发挥技术本质能力的外部条件，或技术可以适应的外部条件。通常智能系统要求建立稍加限制的应用环境（场景），以保证技术本质能力的发挥。因此、场景（环境因素）也成了限制技术应用和影响应用效果的重要因素。显然、外部条件的限制越少（低），技术的环境适用性越好。
人工智能的出现，特别是深度学习的应用，正逐渐突破环境因素的限度。使智能系统的应用环境（场景）日益自然、自由。如在通常的监控系统环境保护下，实现许多智能化技术的应用。我们也把解决视频监控系统现存问题和不足，寄望予人工智能。
从应用场景的角度，分析人工智能智能在雪亮工程中的应用，还可以更直观和清晰地表现出人工智能技术的切入点、可以解决的具体问题和可能实现的效果。
雪亮工程中人工智能的应用场景主要有：
1、图像标识
标识图像是图像信息结构化的一个途径。人工智能将是实现图像标识的主要的技术方法。这里暂且称之为半结构化。图像标识包括：
标识图像中的目标，它需要截取一（几）帧图像。目前大多系统都可完成这个功能。如标识视频图像中的人或车。人工智能化应用于该场景，有助于目标的标识更精准、更精细。
标识图像中的事件，需要分析一段视频图像（一个图像序列），属视频语义解释。目前，很多应用离业务需求尚有差距。深度学习将为解决这一问题提供一个新思路和方法。
2、人脸识别
深度学习很可能实现人脸识别的突破，而且解决问题的速度之快会令人惊讶。
模式识别，是传统人脸识别的基本方法。要求系统定义人脸、建立特征库和稍加限制的环境。在技术上实现后，一直没有实质性进步，距实用化尚有很大距离，特别是在通常的视频监控环境下。
深度学习，通过模仿人的思维过程，产生大量的、深层的数据分布式特征的表示，经大数据的训练，使图像的分类表示越来越精细，知识积累愈加丰富，很快就产生许多实用性的成果。基于深度学习，将会导致生物特征识别方法和模式的创新。使人脸识别在通常的监控环境下，得以实现。
同样，深度学习也将支持步态识别、声纹识别等新技术得到初步的应用。
3、构建城市空间状态图像
把系统前端设备（摄像机等）感知的信息，通过深度学习，生成反映城市状态的原始、实时数据的可视化表示。是观察城市实时状态、动态变化的最佳、最直观方式。
视频信息对构建城市空间状态图像具有最大的价值，前提是实现视频语义的理解。
视频信息可直接生成空间状态图像。如人流密度、分布，车辆密度等。
通过深度学习，从视频信息中产生城市状态深层数据的可视化表示。如道路拥堵指数、人流踩踏风险指数等。
非视频信息经大数据处理，也可生成空间状态图像。如高危人、物、活动的分布，城市人口状态等。
而且，多种数据的融合是构建空间状态图像的最有效方法，可以提高状态图像的准确性和实时性。
4、风险管控
风险管控是现代安全的基本功能（要素）。
传统安全，风险分析的目的是发现系统的脆弱性。通过系统加固（建设），降低风险到可接受的程度。风险分析是系统设计的依据（方法）。
现代安全，风险管控的目的是发现安全环境可能出现的风险。采用适当的措施，防止危险事件的发生。风险分析是系统功能（要素）。
风险分析，通过对影响安全的诸多因素（政、经、社）的大数据处理。洞察和判断宏观的安全状态及可能出现的风险；通过对敏感人、物、时、地、突发、形势等的大数据处理，判断各类事件发生的可能性（风险高低）。
空间状态图像反映安全环境的实时状态，状态的变化是趋势，良性的保持；不良的就是风险，采取适当方式改善。就是风险管控和预警。
风险管控系统具有自主成长性，在大数据的支持下、通过迭代式的训练，可不断的提高系统的洞察、判断的能力和风险分析的准确性。
5、空间状态预测调节
交通管理系统是典型案例，传统系统以交通信号的实时控制为核心，希望能实现点、线、面的控制及最佳绿信比。但实践证明，传统控制方法（信号的实时控制）实现不了这些目标；现代（城市）交通管理系统必须采用现代控制理论，通过多变量的空间状态分析，进行区域性（整体空间）的预测调节，来实现道路资源与车流状态的匹配。
风险管控更是典型的现代复杂系统。所谓发现可能出现的风险，采用适当的措施，防止危险事件的发生，实质上、是空间状态的预测和多方位、立体化的安全体系的调节。
概括的讲，雪亮工程是人工智能最适配的应用场景，除上述几个方面外，还有许多可为人工智能大展身手的场景。总之，雪亮工程为智能监控提供了新的舞台，通过人工智能的应用，极大地提升视频监控系统的智能化水平，解决传统系统的缺欠和不足。真正使视频监控的眼睛更加雪亮。同时，也成为行（企）业转型、升级的切入点。将安防行业的改革引入新的阶段。
