现如今,条码作为一种信息存储手段随处可见,应用非常广泛。条码检测作为解码的前要步骤,具有很重要的应用价值。足够快速、准确的检测算法是有效应用的前提,但是在实际工业场景中,待检测的条码往往存在于非常复杂的环境中,如物流快递场景、电路板场景等。此外,这些场景下又会出现模糊、高密等不利于检测的状态。传统方法往往是针对特定场景、特定不利条件进行单独算法设计,面对非常恶劣的不利条件鲁棒性非常低。面向这些问题,本文提出了一种快速条码检测方法,通过稀疏训练来指导YOLOv4在通道和层级的剪枝,获得压缩模型Thin YOLOv4。然后建立分类网络去剔除不包含条码的预测框,最终得到了一个快速且准确的条码检测算法。同时建立了一个包含32995张图像的数据集,包含了市面上条码的常见类型和不同的应用场景,用于评估所提出方法的性能。论文主要研究内容如下:（1）基于YOLOv4的条码检测算法实现:简述基于深度学习的目标检测相关理论知识和算法,针对实际工业场景下条码检测这一应用实例存在的问题,提出基于YOLOv4算法来进行实现改进。（2）条码数据集的建立:目前条码检测这一应用实例没有种类完备且场景多样的开源数据集,而基于深度学习的方法依赖于数据集进行训练学习。为解决这个问题,使用NLS-NVH200型号手持式条码扫描器及配套软件Easy Set Ex收集条码图像数据,建立了一个码制齐全的数据集。另外为了平衡各类别数量以及扩充数据集规模,对数据集进行数据增广。（3）模型压缩:实际应用中,由于条码检测之后还有解码等处理流程,所以不允许检测环节占用过多时间,而基于深度学习的算法一般需要高性能设备的支撑才得以有足够的运行速度,但实际应用中设备往往是受限的,所以考虑模型的压缩问题同样是有重大意义的。本文提出基于模型剪枝的方法来对模型进行压缩处理,提高模型的检测速度。（4）实现双网络系统:在对模型压缩处理后,其检测精度会相应的有所降低,压缩程度越大,精度损失可能越大。为了保证模型在压缩后仍有较好的精度,提出搭建双网络系统。即额外建立一个分类网络,来将压缩模型的预测框进行分类,将其中没有条码的冗余预测框删除掉,以此来提高模型的检测精度。