零售行业一直是我国国民经济的重要部分。近年来由于线上交易的蓬勃发展,线下零售交易量日渐萎缩。但随着新零售概念的提出,线上发展遇到瓶颈期,越来越多的企业重新关注到线下的发展。传统结算方式需要大量的人工,效率低下且成本逐渐上升,需要新的技术改进现有的条形码结算方式。深度学习算法自2012年以来发展迅猛,以深度学习为基础的图像分类、目标检测等算法也得到进一步发展。在这种背景下,本文以新零售背景下的商品结算作为切入,研究了基于深度学习的商品检测算法,以现烤面包店为交易场景,并对其中的部分检测算法进行优化,从而提高检测效果。本文主要以Faster R-CNN作为模型基础算法,完成了一个深度学习网络模型,通过部分优化,在检测精度方面相较原Faster R-CNN算法有了一定的提升。本文的主要工作如下:(1)首先对基础网络进行实验,将VGG16替换成检测精度更高的ResNet网络,并以现实因素为考量选择了 ResNet-50作为基础网络。然后受到GoogLeNet Inception思想的启发,对ResNet网络进行优化。原始的卷积层特征提取效果有限,我们希望可以增加残差网络感受野的丰富度,设计了不同的感受野模块,并对这些模块组合进行了测试,选择了精度和速度适中的组合。(2)考虑到现实结算中,顾客常常会选择不同大小的面包,小目标检测难度比较大,为了进一步提升小目标的检测精度,将特征金字塔应用到了该结算算法模型中。(3)随后对改进后的算法实现并设计了不同的实验方案评估模型效果。实验结果表明新算法在我们的数据集上表现不错,在Recall率、Precision率以及mAP上与原始的GoogLeNet-V3,ResNet-50以及ResNet-101为基础网络的算法相比,均有一定的提升,可以说明该模型具有实际场景下应用的意义。