支持图像识别技术的一般包括以下几种：

1. 神经网络：特别是卷积神经网络（CNN）是当前图像识别领域最常用的方法之一。通过多层的神经网络结构，CNN可以从大量的训练数据中学习到图像中的特征，从而实现对图像的高效识别。
2. 循环神经网络（RNN）：这种网络结构主要用于处理序列数据，如文本或图像序列。在图像识别领域，RNN可以应用于一些特定场景，如车牌号码识别和人脸识别等。
3. 长短期记忆网络（LSTM）：这是一种特殊的RNN，可以有效地处理长序列数据。在图像识别领域，LSTM可以用于分析包含大量像素点的图像，并从中提取出有效的特征。
4. 生成对抗网络（GAN）：GAN是一种特殊的深度学习模型，由两个神经网络组成：生成器和判别器。通过训练，生成器可以生成逼真的图像，而判别器则可以判断生成的图像是否与真实图像相似。GAN在图像识别领域也有着广泛的应用。
5. 深度信念网络（DBN）：DBN是一种基于概率图模型的深度学习算法，可以有效地对多层神经网络进行训练。DBN在图像识别领域的应用也比较广泛。

另外，支持图像识别的技术还有决策树、SVM、k-NN等传统机器学习方法，以及一些图像处理技术如滤波、边缘检测、形态学处理等。这些技术和方法通常会根据具体的应用场景和需求来选择使用。