计算机视觉的发展历程可以大致分为三个阶段：早期阶段、特征提取与匹配阶段和深度学习时代。
在早期阶段（1960年代-1980年代），计算机视觉主要关注如何从数字图像中提取出有用的信息，通常使用低级别的图像处理技术，如边缘检测、二值化、滤波等。这些技术主要用于图像的前期处理，以提取出有用的特征。
在特征提取与匹配阶段（1980年代-1990年代），计算机视觉的研究重点逐渐转向特征提取和匹配。计算机视觉系统通过寻找图像中的特定特征点来进行图像匹配和物体识别。例如，Harris角点检测算法和SIFT特征提取算法就是这个时期的代表性算法。这个时期的计算机视觉应用主要集中在静态图像的处理，例如人脸识别、指纹识别等。
然后，在2000年代至今的深度学习时代，随着深度学习技术的兴起，计算机视觉的研究进入了一个全新的时代。深度学习模型，如卷积神经网络（CNN）、循环神经网络（RNN）等，成为计算机视觉研究中的重要工具。在2012年的ImageNet大规模视觉识别挑战赛上，一种名为AlexNet的计算机视觉算法比其竞争对手提高了10%，这标志着深度学习在计算机视觉领域的突破。
目前，计算机视觉已经发展到了可以通过机器学习和深度学习技术自动提取图像特征并进行识别的阶段，大大提高了识别的准确性和效率。此外，计算机视觉还在不断发展和创新，未来有望在更多领域得到应用和发展。