近年来随着电子商务和物流运输快速发展,仓储规模日益扩大,仓储货物的各种监管问题也随之而来。随着人工智能等技术的快速发展,仓储货物的监管方式也不断革新,逐渐从人工化管理向无人化、自动化管理过渡。但是目前的一些仓储货物监管方式仍存在货物发生变动时不能及时发现并处理和在监控数据上缺少处理的问题,因此需要保存较长时间的监控数据,存储负担较大。针对上述问题,本文以棉花包作为仓储货物,设计了基于深度学习的仓储货物监管系统,主要研究内容如下:（1）提出并实现了图像粗定位处理方法。考虑到棉花包纹理复杂的特点和监控图像中的噪声、光照差异等对特征提取的影响,为了更好地对同一场景的两张监控图像中发生变化的区域进行定位,本文设计了基于Sobel的粗定位处理方法和基于HOG的粗定位处理方法。首先对图像进行预处理操作去除噪声和光照差异影响,之后采用特征算子提取图像特征,最后根据处理后的特征图像对发生变化的区域进行粗定位。实验结果表明,在本文所建立的测试数据集上,基于HOG的粗定位处理方法准确率更高,达到96.0%,因此将其作为本文系统使用的粗定位处理方法。（2）提出并实现了基于深度学习的棉花包检测与识别方法。为了准确有效地判别变化区域是否为棉花包,首先考虑到棉花包自身纹理特征复杂的特点,以及网络训练中特征的语义信息不足和细节信息损失问题,设计了特征增强网络（Feature EnhancementNetwork,FEN）模块丰富特征信息。之后分别以ResNet50和VGG16作为骨干网络,结合FEN模块设计了两种用于棉花包检测与识别的网络模型。实验结果表明,在本文所建立的数据集上,采用ResNet50作为骨干网络并结合FEN模块的网络模型有更高的准确率,且能够满足实际应用要求。（3）设计了基于深度学习的仓储货物监管系统并将其应用于仓储货物（棉花包）的监管中。本文系统由图像获取、粗定位处理、基于深度学习的棉花包检测与识别以及结果反馈四部分组成。通过系统测试证明,本文系统可以及时发现棉花包变化情况并将结果反馈。因此,系统的应用可以减少监控数据的存储时长,有效解决了传统监管方法中缺少对监控数据的处理、存储负担较大的问题,实现了对棉花包更加智能化、自动化和便捷化的监管。