识别不同的物体或情况是通过机器学习和计算机视觉技术实现的。首先，计算机需要接收输入的图像或视频数据，这些数据经过预处理和特征提取后，被转化为数字化的信息。然后，利用已经训练好的神经网络模型，计算机将这些数字化的信息与模型中存储的知识进行比对和匹配。
在训练阶段，神经网络模型通过大量不同类别的物体或情况的图像数据集进行学习，并调整模型的权重和参数，以便提高模型在识别不同物体或情况时的准确性。模型通过学习物体的不同特征，如形状、颜色、纹理等，来识别物体或情况。
当计算机接收到新的图像或视频数据时，经过前面提到的预处理和特征提取，计算机会将这些数据输入到训练好的神经网络模型中，模型将根据学习到的知识和特征对物体或情况进行识别，并输出相应的结果。
总的来说，计算机通过神经网络模型对输入的数据进行特征提取和比对，从而实现识别不同的物体或情况。这种方法在计算机视觉和人工智能领域得到广泛应用，例如图像识别、物体检测、人脸识别等。