R-CNN（Region-CNN）算法是目標檢測領域的一個重要里程碑，它首次成功地將深度學習套用於目標檢測。R-CNN算法的主要組成部分包括：
Region Proposal Network (RPN)：該網路接受輸入圖像和一系列候選區域（例如anchor boxes）作為輸入，輸出每個候選區域是否包含物體、屬於哪個類別、以及相應的框線坐標。
Selective Search Algorithm：這是一種基於特徵點的圖像分割方法，能夠快速生成一批可能包含物體的候選區域，並使用交並比(IoU)閾值對這些候選區域進行進一步過濾。
Feature Extraction：採用預訓練好的卷積神經網路（如VGG16或ResNet）提取圖像的特徵圖。對於每一個候選區域，其特徵表示會被送入到一個SVM分類器中，來判斷該區域是否包含物體及其所屬的類別。
Bounding Box Regression：針對每個候選區域提出的回歸問題，它需要根據候選區域中物體的實際位置計算出它的邊界框坐標。這項任務可以使用線性回歸或其他更複雜的回歸方法解決。
R-CNN算法通過上述步驟實現了目標檢測，能夠檢測出多個目標的位置信息及其類別，並且可以適用於各種各樣的圖像分類任務。然而，R-CNN也存在一些缺點，如計算量大、訓練步驟繁瑣等。為了改進這些缺點，後續出現了如Fast R-CNN、Faster R-CNN等更高效的算法。