二维条码在信息存储与传递方面具备密度高及识读能力强的特性,已普遍应用于物品标识、电子支付、社交媒体、广告营销、资产跟踪等领域。在被多方面应用的同时,也带来了识别技术上的问题,多种多样的应用环境和图像采集设备增加了二维条码识别过程的复杂度,传统的二维条码识别方法渐渐无法满足人们的使用需求。为提高二维条码识别方法在各种复杂采集环境下的鲁棒性和适应性,本文针对二维条码在模糊、污染、破损、遮挡、光照条件差等恶劣条件下的识别展开了研究。主要工作包括以下几点:(1)在研究二维条码的应用场景和采集条件时,需要对二维条码的复杂采集环境进行定性与定量的分析,建立了一个尽可能健壮的复杂采集环境下二维条码图像数据集,用于二维条码训练与测试。(2)参考并综合大量的理论知识分析可知,卷积神经网络(CNN)的识别方法通常适用于训练样本较多时;相反在解决小样本、非线性问题的分类与识别时,支持向量机(SVM)分类器表现出较强的稳健性。(3)待测条码与样本数量较多的不同码制数据库识别时,采用CNN的识别方法。将未经过预处理的原始图像输入到CNN,在交替设置的卷积、池化及激活层进行图像特征提取,并把提取的特征向量映射到全连接层的Softmax分类器实现分类。实验仿真过程采用小卷积核完成卷积过程,避免了较大的卷积核,引起网络分离困难而导致细节特征的丢失,因此采用CNN能正确且高效地实现待测条码与不同码制数据库的识别。(4)选取不同码制数据库中的一类条码作为样本集,将同类待测条码导入该样本集后,目的是快速且准确识别出与模板相同且规则完整、清晰可辨的二维条码。以二维条码数据库中最具优势且实用性最强的QR Code为例,提出了一种多块局部二值模式(MB-LBP)与改进非线性收敛因子的灰狼算法(GWO)优化SVM相结合的QR Code识别算法。算法提取分块的提升小波变换图像的高低频分量的MB-LBP特征并融合,运用主成分分析(PCA)完成融合特征的降维,导入改进GWO优化SVM分类器,实现QR Code数据集的分类,实验仿真结果证明改进算法识别性能明显有所提升。