据我所知，目前还没有一本包含深度学习的综合性学术计算机视觉教科书（截至 2019 年）。

将问题的讨论和表述与为解决问题而部署的算法分开是很有用的。@shimao 指出，早期的方法通常会被新的深度学习组件回收利用。Goodfellow 等人和 Bishop 的书分别是关于深度学习和机器学习的好书，但它们并没有过多地谈论计算机视觉问题。我的意思是指占用大量计算机视觉研究的任务，如噪声过滤、3D 重建、图像配准、计算摄影、运动结构等。

为了更好地理解 CV，Szeliski 的书还是相当不错的，虽然它是一个高水平的调查。CNN 主导的主题，如分割和识别，在这本书中只有两章，所以有很多有趣的材料。

我认为以下书籍也很有用，值得一看，尽管它们涵盖了经典方法：

王子，西蒙 JD。计算机视觉：模型、学习和推理。剑桥大学出版社，2012 年。

-

哈特利、理查德和安德鲁齐瑟曼。计算机视觉中的多视图几何。剑桥大学出版社，2003 年。

-

冈萨雷斯、拉斐尔和伍兹、理查德。数字图像处理。皮尔逊高等教育，2011。

如果你真的对 CV 感兴趣，我认为了解人类视觉感知和光学以及机器人学、计算机图形学和医学/科学成像等相关领域也会很有趣。

添加到@MachineEpsilon 的答案。深度学习已成为分割和对象检测等任务的实际工具。并且开始接管 3D 重建等领域。尽管如此，这仍然是一个持续的过程。

您仍然需要对射影几何有很好的了解（Hartley 和 Zimmerman 的书）才能解决诸如计量学（对图像进行精确测量）之类的任务。在某些情况下，您想要提取一些特征（如边缘或轮廓）。此外，与微调神经网络相比，使用基于特征的方法匹配和跟踪平面对象仍然是一个非常好的选择，并且更容易设置。

这种技术也是许多 SLAM 方法的核心。

我的观点是：仍然存在许多相关的用例，其中深度学习不能提供（令人满意的）解决方案，或者传统方法更容易使用。如果只是因为有像 OpenCV 这样经过充分验证的软件库。