甲片产品的识别与定位方法是甲片产品自动分拣系统的关键技术。由于甲片产品的大小与颜色具有多样性,其位姿变化具有不确定性,以及背景环境和光照的影响,对甲片产品的识别与定位方法提出了苛刻的要求。为此,本文结合深度学习对甲片产品的识别与定位方法展开了研究。为了更高效地实现甲片产品的识别与检测,提出了一种基于改进FCOS（Fully Convolutional One-Stage）的轻量化检测网络FCOS-Mini。采用结合有效通道注意力模块（Effective Channel Attention,ECA）的Ghost Net作为主干网络来进行特征提取,为了提高网络的准确率,使用双向特征金字塔（Bidirectional Feature Pyramid Network,Bi FPN）模块获取更丰富的多尺度特征信息,通过轻量检测头分别输出分类类别与位置信息,使用泛化焦点损失函数（Generalized Focal Loss,GFL）对网络进行优化。实验结果表明,FCOS-Mini的参数量更少,具有更高的检测速度。为了进一步提高甲片产品的识别与检测效果,提出了基于改进YOLO（You Only Look Once）网络的轻量化检测网络YOLO-Lite。采用卷积核大小为5的Shuffle Netv2作为主干特征提取网络,增强了网络的特征提取能力,将跨阶段局部网络与空间金字塔池化模块结合,降低网络的参数量,将改进的CBAM（Convolutional Block Attention Module）模块加入多尺度特征融合模块中,提高网络的定位精确度。实验结果表明,YOLO-Lite具有更高的识别正确率与检测精度。通过设计的检测网络进行甲片产品的识别,对识别结果进行裁剪得到甲片产品图像,对其进行去噪和灰度化处理,使用最大类间方差法和Canny边缘检测算法提取轮廓信息,结合甲片产品的形状特征与最小二乘法直线拟合实现了对甲片产品抓取点位置和倾斜角度的定位。完成了基于深度学习的甲片产品识别与定位系统搭建,设计了系统交互界面,并将甲片产品检测算法和抓取点与倾斜角度的定位方法应用于该系统中进行实验,验证了本文所提算法的有效性。