随着国民生活水平的不断提高,城乡居民的线下购物需求持续攀升。与此同时,传统零售业的各种弊端逐渐凸显,人工收银结算效率低、用人成本高昂、消费高峰时段结算体验差等问题尤为突出。近年来,以无人超市为代表的“新零售”开始走进民众生活。无人超市的技术难点之一是自助结算系统中的商品识别技术。寻求一种快速准确的结算方式已成为无人超市亟待解决的问题。目前基于计算机视觉技术实现的商品识别系统主要存在以下问题:1)随着商品类别数目的增加基于深度学习模型的分类准确率出现明显退化;2)算法泛化能力较弱,缺乏在线特征学习机制,不能识别未经训练的样本;3)新添商品类别困难,需重新制作样本进行模型训练;4)特征检索效率低,延迟较高,实时性难以保证。针对以上问题,本文提出了基于图像相似度检索的商品识别算法。本文分别从特征提取网络结构设计与特征检索算法优化两个方面提高商品识别准确率与特征检索效率。其次设计并实现了面向无人超市自助结算的商品识别系统。本文主要研究内容和工作成果如下:（1）实现了基于YOLOX模型的二分类商品检测算法。通过重构RPC数据集结算图标签构建商品检测数据集,并采用图像亮度、对比度调节等数据预处理算法对输入数据进行增强。最后在该数据集上对商品检测算法进行训练与推断,模型检测准确率为99.77%,召回率为99.83%,mAP为99.86%,在GPU上的推理速度达到66.67FPS。（2）优化了基于图像相似度检索的商品分类算法,算法包括特征提取与相似度检索两个步骤。商品图像由特征提取网络映射成特征向量输出,相似度检索算法对特征向量进行余弦相似度计算与排序获得商品识别结果。商品分类算法采用轻量级网络MobileNet-V2的骨干作为特征提取网络,并在构建的商品识别数据集上进行训练。为改进算法的识别精度,在保证其轻量化的前提下将CBAM注意力机制模块嵌入MobileNet-V2网络的BottleNeck中,并加入多尺度特征融合结构,提升了特征提取网络捕获区分性特征的能力。在商品识别数据集上进行实验测试,改进后的MobileNet-V2+CBAM+多尺度特征融合模型识别准确率达到99.51%,相较原模型提升了 1.46%。（3）针对特征检索效率低,延迟较高等问题,本文利用乘积量化对暴力检索算法进行优化,优化后的基于乘积量化的相似度检索算法在含100万个维度为448的向量库上检索耗时2.1ms,为暴力检索算法的1/66。在商品识别数据集上进行分类实验测试,基于乘积量化的相似度检索算法检索耗时为暴力检索算法的5.8%,准确率为99.12%,相较于暴力检索算法准确率损失0.39%。为了进一步减小检索算法的精度损失,本文对基于乘积量化的相似度检索算法进一步优化。针对乘积量化中聚类操作采用的K-Means聚类算法存在聚类效果受初始聚类中心选取影响较大的问题,本文将K-Means聚类算法替换成性能更优的K-Means++算法。改进后的相似度检索算法分类准确率为99.35%,在保证检索耗时不变的前提下,对比基于乘积量化的相似度检索算法提高了 0.23%。（4）设计并实现了基于图像相似度检索的商品识别系统。通过在系统中加入可在线更新的商品特征库,从而能够在无需重新训练网络的前提下实现对新商品的识别。系统主要功能包括自助结算、商品管理、库存管理、已售商品信息统计等。