商品的生产制造、运输存储、商业销售等都依赖于商品识别。商品自动化识别可以极大提高各流程效率,节约各环节成本,提升顾客购物体验。随着人工智能理论与应用的巨大发展,基于深度学习的图像识别算法的准确率与稳定性极大提高,已逐渐能满足各种视觉应用场景的需求。因此,本文利用深度学习技术研究如何对图像中的商品进行自动识别,主要包括图像中商品目标的检测及商品分类。主要工作包括:(1)针对商品检测任务中存在的目标尺度多样性和小物体检测困难问题,提出一种多级特征融合多尺度卷积网络。首先,通过多级特征融合机制进行多次多层特征融合;其次,使用反卷积模块扩大顶层预测层的分辨率;然后,网络在多种尺度特征图上进行预测,实现多尺度检测;最后,网络迭代学习更新参数,完成商品检测任务。针对商品分类任务,提出一种多路径集成密集连接卷积网络。首先,使用一种卷积与池化并行的下采样模块进行初始下采样;然后,在密集连接网络中,采用多路径集成连接单元替换单一卷积路径单元,不仅增强特征表征能力,而且提高了网络计算效率;最后,网络迭代学习更新参数,完成商品目标区域精细分类任务。(2)针对检测网络中存在的特征融合方式低效,输入偏移改变池化结果从而造成位置信息不准确的问题,提出一种双路径融合特征金字塔卷积网络。首先,使用双路径融合模块,以双向循环复用融合机制进行特征融合;然后,采用重组融合模块对特征金字塔再次逐层融合,可以有效减少偏移改变池化输出而造成的影响,位置信息更精确;最后,网络迭代学习更新参数,完成商品目标检测任务。此外,针对分类网络存在的梯度信息过度复用的问题,提出一种梯度截断卷积网络。深层梯度流截断策略的引入能够增加不同层之间的梯度差异,从而增强网络学习能力与提高计算效率,进而提升商品的分类准确率。在商品测试数据集上的实验表明,所提出的商品检测与商品分类模型具有较高的检测与分类精度,同时参数量计算量也较少。该论文有图58幅,表17个,参考文献87篇。