本书从现代计算机视觉面临的“感知鸿沟”出发，对机器感知视角下的图像理解与深度学习方法进行认真分析，其内容包括CNN、视觉Transformer到扩散模型与自监督学习等深度学习核心技术体系。书稿的核心价值在于深入阐述了迈向真正感知的关键方法论，其中包括几何深度学习、组合式表征、动态预测编码、三维视觉与时空建模等方面。书稿将诸多方法论拓展至因果推理、神经符号系统、具身智能与多模态融合等高级认知领域，并对视觉大模型的鲁棒性、可解释性与评估新范式进行了前瞻性探讨，为构建通用、可信的AI系统提供理论与实践指南，具有一定价值和意义。