条形码由于其技术简单、方式灵活、信息采集速度快等优点，在物流、交通及零售行业中得到了广泛应用。目前工厂环境下，大多还是人工定位方式进行扫码分拣，不仅造成了人力资源的浪费，而且效率低、漏检率高。二十世纪以来，卷积神经网络(Convolutional Neural Networks，CNN)技术发展迅猛，在各种分类识别和目标检测方面都取得了不错的成绩。基于这一背景，本论文提出利用能学习样本内部特征的CNN技术，解决条形码自动、精准定位问题。本文主要内容如下:　　调研了国内外条码定位技术及CNN技术研究现状。对条形码技术和CNN技术基本理论进行介绍。对常用的梯度下降优化算法及RCNN、SPP-net、Fast-RCNN等图像定位算法进行研究。　　针对模糊图像定位不准问题，在图像定位预处理阶段，提出利用反卷积概念恢复模糊图片，并给出一种5层对称式结构的CNN去模糊模型的具体设计方案。利用均方差MSE作为模型训练过程中的损失函数，设计实验，验证模型在强高斯模糊、弱高斯模糊及运动模糊环境下算法的有效性。　　深入研究Faster-RCNN算法，并在其基础上对算法进行改进，以实现条形码的精准定位目的。具体改进为:针对小目标条码定位精度低的问题，提出利用多尺度特征图来源进行候选区域提取和分类检测;针对Faster-RCNN算法中全连接层耗时多的问题，提出利用敏感得分图概念，设计一种全卷积结构的检测分类子网;针对传统NMS重复定位问题，提出增加约束条件的改进NMS算法。　　最后，设计实验，验证了改进定位算法中各改进点的有效性，发现相比Faster-RCNN和Fast-RCNN，本论文算法定位精度更高，速度更快，精确率达到99.14％,一张图片约耗时110ms。