随着世界经济的迅速一体化,欧元区的建立,以及近年来非洲经济的增长,国家之间的边境贸易和个人交往变得更加普遍。旅行者总是从其他国家带来大量的纸币。因此,几个国家的纸币交织在一起的可能性越来越大。影响现金交易的最严重问题之一是伪造;数字多色印刷、扫描和图像处理的进步使得制造被称为超级钞票的高清晰度假钞变得更加容易。在刚果民主共和国,伪造的纸币正在成为顺利交易的严重危险。因此,市场上的这种假钞有必要实现货币交易系统的自动化。银行业无法充分利用自助服务设备,如自动取款机。另一方面,银行还没有实施一个可行的检测系统来检测假钞。另一方面,银行还没有实施一个可行的检测系统来检测假钞,这就需要建立一个更有效的真实性检查系统。因此,检测假币的能力是至关重要的。以前的大多数策略都依赖于硬件和图像处理技术。当涉及到检测假币时,这些程序是低效和耗时的。这就需要开发一种系统和方法,以更少的时间、更高的效率和更大的便利性来检测假钞。为了设计刚果系统,我们研究了将经典的RGB编码图像转换为HSV颜色编码,只保留一层卷积神经网络作为特征提取技术,在模式识别方法下进行分类。这项工作通过使用卷积神经网络方法检查纸币图像来识别假钞,使用一千张刚果纸币的训练集来学习特定纸币的特征图;一旦学习了特征图,网络就可以在一些预定义环境下实时识别假币。为了验证纸币,我们采用了深度学习的方法。在这种情况下,我们通过使用一些图像处理的概念和方法来进行验证,以创建模型训练过程中使用的信息,即根据基本或训练的特征对纸币进行分类。建议的系统主要集中在纸币1000CDF上,我们构建的数据集与刚果中央银行发布的开源认证信息相混合,以达到高精确度的结果。我们分析了HSV（色相、饱和度和数值）色彩空间的特性,强调了图像像素的色相、饱和度和强度值变化的视觉感受。我们通过在饱和度值的基础上选择色相或强度作为主导属性来提取像素特征。该特征提取方法已被应用于图像分割和直方图生成应用--基于内容的图像检索的两种不同方法。使用这种方法进行的分割显示了对图像中物体的更好识别。直方图保留了统一的颜色过渡,使我们能够在检索过程中做一个基于窗口的平滑处理。这些结果已经与使用RGB颜色空间产生的结果进行了比较。广泛的图片预处理任务,如图像直方图均衡化和基于自适应中值滤波器的图像去噪,减少了噪声数据的影响。根据实验数据,我们使用CNN模型作为特征提取器对刚果纸币面额进行分类时,识别准确率达到99.4%。CNN特征超越了其他特征提取技术,在假币识别方面达到了96%的准确率。该系统依赖于刚果钞票的一个特定特征,该特征对于假币制造者或生产商来说是不可能复制的。而且,即使在相当长的时间内,他们也不可能有能力模仿这一特征。这一结果表明,为社会和执法部门建议的方法和系统的潜力将提高他们实时识别市场上流通的假钞的能力。同样的系统也可以应用在智能手机、自动售货机和自动取款机等设备上,使需要人工监督的任务自动化,如识别许多纸币。