目前大型物流分拣中心大多采用以交叉带分拣机为代表的流水作业分拣方式,但在分拣入口的快递信息筛选、出口处快递整理与搬运等环节大多是通过人工方式进行,从而造成了分拣效率低且错误率高的问题,极大的限制了物流运输效率。为了解决上述问题,本文设计并搭建了智能快递分拣系统,从而有效提高了分拣效率。具体内容和研究成果如下:第一,针对堆放杂乱无序、相互遮挡的复杂场景下快递检测识别精度低的问题,提出了一种基于通道信息融合的新型目标检测识别算法。该算法通过将多层浅层特征图与最终特征图使用隔行隔列降采样的方法进行通道融合,使特征图同时具有丰富的语义信息和空间信息,提取更加细微的特征。通过实验验证,新型目标检测识别算法的检测精度为98.63%,相较于原始目标检测算法提高了约2%的检测精度。第二,针对复杂场景下确定目标拣选位姿耗时长的问题,提出一种基于关键点的级联卷积最优拣选位置估计算法。该算法通过级联网络的优化,采用关键点算法以及相互关系修正损失函数实时的确定物体最优拣选位姿,提高机器人拣选效率。通过在CPU上实验验证,采用该算法可以实时的确定目标的位置与姿态,约为26FPS。第三,针对机器人分拣系统拣选效率低的问题,提出了一种基于动态尺度变量的模型剪枝算法。该算法首先通过联合网络权重与动态尺度变量进行模型稀疏化训练并自动识别通道的重要性,然后采用剪枝策略生成精度相当的轻量级模型。通过实验验证,轻量级检测模型在降低2.17%精度的情况下,降低33.9%的内存消耗,提高18.63%的检测速度。最后,进行手眼标定以及机器人控制指令的设计,统一表述了图像采集模块与机器人的坐标系关系。最后,基于深度学习耗费计算资源大的情况以及分拣环节存在堆放杂乱无序、相互遮挡的复杂场景,搭建了智能快递分拣系统验证平台,实现了复杂场景下的快递分拣。智能快递分拣系统从逻辑层面分为控制层、应用层以及云层,使系统的各个模块具有强内聚以及松耦合的特点,方便后续各个模块的开发与提升。结合目标检测算法的应用场景,针对性的进行了控制层、应用层以及云层各个模块的选型。