人工智能中通常用于处理和分析图像数据的方法是深度学习技术，尤其是卷积神经网络（CNN）。
深度学习技术是一种模拟人脑神经网络的机器学习方法。在处理图像数据时，深度学习技术能够通过自动提取图像中的特征来进行识别和分类。其中，卷积神经网络（CNN）是专门用于处理图像数据的深度学习模型。
CNN通过卷积层、池化层和全连接层等结构，能够自动学习和提取图像中的局部特征。卷积层通过卷积核对图像进行滤波，提取图像的边缘、纹理等特征；池化层则用于降低数据的维度，减少计算量并防止过拟合；全连接层则负责将前面的特征进行整合，输出最终的识别结果。
此外，除了CNN，还有一些其他的人工智能方法也常用于图像数据处理和分析，例如支持向量机（SVM）、决策树等。但这些方法在图像识别和处理方面的性能通常不如深度学习技术，尤其是在处理复杂和大规模的图像数据时。
总之，深度学习技术，尤其是卷积神经网络，是人工智能中处理和分析图像数据的关键方法。它们能够自动学习和提取图像中的特征，实现高效的图像识别和分类，广泛应用于计算机视觉、医学影像分析、自动驾驶等领域。