常州安防中的的概念提出已经有相当长时间了，但是道路并不平坦，受限于计算机视觉算法和前端设备处理能力，许多功能一直无法成熟应用。
厂商在宣传常州安防智能水平方面往往有夸大的冲动，使得产品在部署使用后，实际性能与用户期待相去甚远。虽然这种情况使得常州安防的智能化陷入了一段尴尬时期，同时也降低了用户的期望值，使用户更加理性的看待智能安防技术，也使得真正优秀的智能安防产品能得到机会。最近数年来深度学习算法的快速发展，在各类人工智能问题上的优异表现给常州安防领域带来了新的机遇。
深度学习是机器学习的一个分支，它基于试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的一系列算法。卷积神经网络是目前深度学习领域最为广泛使用的深度学习结构，卷积神经网络由一个或多个卷积层和顶端的全连接层组成，同时也包括关联权重和池化层。自深度学习出现以来，它已成为很多领域，尤其是在计算机视觉和语音识别中，成为各种领先系统的一部分。深度学习给常州安防带来机遇的同时，也带来了挑战。常州监控设备的进步是深度学习获得关注的重要因素，高性能图形处理器的出现极大地提高了数值和矩阵运算的速度，使得机器学习算法的运行时间得到了显著的缩短。这些高性能图像处理器目前最广泛使用的是英伟达生产的支持CUDA计算的一系列高端显卡，这些显卡通常功耗都过百瓦，价格也从数千到上万不等。而对应的前端设备上的嵌入式处理芯片必须满足严格的功耗、成本约束，目前数字摄像头中使用的处理芯片功耗通常在瓦级，价格在几十元人民币量级，显然这两者之间存在巨大的鸿沟。这要求常州安防厂商从传统的智能摄像头向前后端复合的智能安防系统思路转变。
随着常州安防未来硬件平台的持续发展和逐渐成熟，在功耗、成本、性能都满足要求的前提下，将整个人工智能算法全部都放在前端设备上仍然是最终的方向。在前端直接执行可以使得整个人工智能算法获得最完整的输入数据，而不是仅仅局限于由于前端较为简单的智能分析算法获得的单张图片或是部分特征，从而获得更好的智能分析效果。
