R-CNN（Region-CNN）是一種將深度學習套用於目標檢測的算法。它的核心原理包括以下幾個步驟：
候選區域生成：使用選擇性搜尋（Selective Search）算法在輸入圖像上生成多個高質量的候選區域。這些候選區域通常尺寸不同，大小也不同，一般在一張圖片上提取1000-2000個候選區域。
特徵提取：針對每個候選區域，利用卷積神經網路（CNN）進行特徵提取，生成一個固定長度的特徵向量。
目標分類/定位：對每個候選區域經CNN提取的特徵向量，利用支持向量機（SVM）來預測輸入候選域的目標類別，並從該目標類別下的眾多候選框中選取「最優框」作為該目標檢測的預測輸出。
非極大值抑制（NMS）：在得到所有分類成功的區域後，通過非極大值抑制（NMS）去除冗餘的候選框，得到相對準確的候選框。
邊界框回歸模型：為了提升定位準確性，R-CNN最後又訓練了一個邊界框回歸模型，通過框線回歸模型對框的準確位置進行修正。
以上步驟構成了R-CNN的基本原理，它是深度學習方法進行目標檢測的開山之作。