现阶段作为新零售典型代表的无人超市,正在我国各大城市快速兴起,提高商品结算效率寻求新的结算方式已成为无人超市急需解决的问题。本文以无人超市结算平台上的商品为检测目标,通过研究深度学习的目标检测识别技术,为商品检测识别提供可行的技术方案。本文首先进行商品分类与分割,然后再对分割的商品进行细粒度商品识别,根据商品图像的检测分割模型和图像搜索识别模型实现商品图像的检测识别。本文的主要内容如下:1.研究分析了现阶段深度学习目标检测识别的主要网络架构与深度学习原理,结合商品检测识别的应用场景与超市商品数量和种类较多等特点,研究适合超市商品检测识别的方法,提出先进行商品分类与分割,再对分割的商品进行更加精准的识别。2.研究了图像的检测与分割的方法,根据商品的图片,使用深度学习图像检测分割的方法,对商品进行分类后分割出图片中的商品。通过实验对比语义分割Seg Net模型与实例分割Mask RCNN模型的图像检测分割效果,根据实验结果对比分析商品图像的分割质量与检测分割模型的性能,选用识别准确度较高、检测识别性能较为稳定的Mask RCNN模型对商品图像进行分类与分割。3.研究了图像搜索识别的方法,根据商品分类的结果,为提高分类后相似度较高商品的识别准确率,通过实验对比了不同位数哈希码的深度哈希图像搜索与细粒度图像搜索方法SCDA识别的准确率,经过分析得出细粒度图像搜索方法对类别之间差异性较小的商品图像识别效果较好,因此选用细粒度模型对分类后的商品进行精准识别,取得了较为理想的识别结果。4.在前面的研究基础上完成商品识别的系统设计,根据商品图像的检测分割模型和细粒度图像搜索模型搭建检测识别系统,验证商品图像识别的可行性。在RPC数据集结算图中的系统测试召回率为94.8%,精度为97.6%,取得了理想的识别结果。通过测试说明了本文的商品检测识别方法有效,为无人超市商品的识别结算打下了基础。