当前社会遍布了各式各样的零售市场,比如高档商超、百货商店、街边便利店等。商品的高效流通,提高了人们生活质量,也促进了社会的发展。在人工成本高昂的今天,商品自动识别技术是保障商品高效流通的重要技术之一。现阶段最成熟的商品识别技术是条码识别,但是一般需要人工对准条码位置进行扫码识别,存在自动化程度不高情况。而且条码本身存在易变形、易损坏等问题,影响识别准确率。射频识别技术(RFID)是很好地解决条码技术存在问题的一种自动识别技术,采用RFID识别商品,存在标签成本过高的问题,比如标签本身成本、贴标人力成本、贴标时间成本等,平均到单件商品上是占了一定商品售价比例的,尤其是部分零售商品单品利润极低,标签成本更加降低商家利润了。近年来,图像处理技术和深度学习技术得到快速发展,不需要条码、标签等标志,通过大量的商品图像来学习商品包装本身的特征,使计算机具有自动识别商品图像的能力。这种识别技术具有自动化程度高、成本低廉、准确率高等优点,在“无人零售”即将到来的今天有着极重要的研究意义。本文研究的主要内容包括:首先明确本文课题研究的背景和意义,对当前商品识别技术进行了解学习,结合深度学习和图像处理技术的优势,提出一种基于深度学习和图像处理的商品图像识别方法。对商品包装的图像特征进行研究,对比和分析了几种常用视觉特征的表示方法。介绍了神经网络的几种基本模型,对比了卷积神经网络中不同内核对同幅图像的卷积效果,并介绍了池化过程。概述了深度学习技术的原理和训练过程,对其主要模型和框架做了分析和选择。然后结合各种商品的外观特点,设计针对性的商品拍摄方案和实验平台进行图像采集,对商品图像预处理以及图像扩展技术进行研究,生成商品图像数据集。最后依据自建商品图像库,对商品识别系统的模型进行网络训练,交叉验证集准确率达到了81.24%。并且对商品识别系统的实际应用做了简要描述,对比分析了两种调用模型方式在商用阶段的优缺点。