伴随着医疗系统的不断发展与进步,传统的依靠简单收取药房以及发药的医院药房部门已经逐渐不能满足医院以及患者日益增长的需求。大数据人工智能技术以及日渐成熟的视觉技术结合的智能药房系统不断地冲击着传统的医院药房系统。在成熟的信息化手段下,智能药房系统可以充分实现处方系统与药房部门的无缝对接。具有缩短患者取药时间,减小人力成本,精简从处方到发药的整个流程等特点,进而实现对传统药房服务的升级。在智能药房系统中,一个标签中往往包含多个不同类别的药盒图像。这种复杂的多标签药盒图像分类识别过程中,准确快速的图像特征提取,包括目标识别分类等是利用智能技术手段中的重点和难点。深度学习中卷积神经网络（Convolutional Neural Network,CNN）技术由于其图像特征提取较机器视觉更准确,并伴随网络深度的变化而精准的特点使得智能药房成为可能。在此基础之上,本课题依托于江苏省重点计划研发项目,针对医院药房药盒分类识别算法进行研究,所采用的多标签分类识别算法能够在满足药盒识别精确率的前提下有效的提高了分类识别的速度。主要包含以下研究内容:（1）首先针对本课题的来源对其研究背景进行了调研;然后阐述了药盒分类识别方法的研究现状,并对现阶段存在的关键问题进行了分析;最后分析了药盒分类识别的需求,提出了基于深度学习的多标签分类识别算法,研究和设计了药盒分类识别系统的总体方案。（2）研究了面向药盒的改进MobileNetV3目标分类识别网络。首先,对药盒进行图像采集,构建数据集,利用图像处理技术对图像数据集进行数据增强处理;然后,分析单标签分类识别和多标签分类识别的优缺点,并对多标签分类识别算法进行了深入的研究;其次,通过分析对比主流的目标分类识别网络,确定MobileNetV3为本课题的目标分类识别网络;再次,为了提高药盒分类识别的精确率和精确率,对MobileNetV3网络算法进行了改进和优化,通过将通道注意力机制（Squeeze-and-Excitation Networks,SE）改为混合注意力机制（Convolutional Block Attention Module,CBAM）并调整网络参数,在此基础上利用图像增强算法扩充图像数据以进一步提高分类识别的精确率;对优化的改进算法进行了实验和分析,结果表明改进的BCE-MobileNetV3分类识别算法的精确率达到了MobileNetV3分类识别算法不能达到的90%。（3）研究了面向药盒的目标分类识别模型的轻量化技术。首先,基于LASSO回归优化了通道剪枝算法;然后,通过对BCE-MobileNetV3中BN层的γ来获取最佳剪枝通道,实现模型的压缩;对采用的优化通道剪枝算法进行了实验和分析。结果表明,相比于未剪枝的网络,模型压缩了19.35%,分类识别速度同比提高了1倍。（4）进行了药盒分类识别系统的设计,并完成相关测试及分析,验证了药盒分类识别方法的有效性和可行性。结果表明,药盒分类识别系统能够满足使用要求。综上所述,在研究中对药盒进行了多标签分类识别,提高了识别的精确率、降低了分类识别的速度,研究工作具有一定的理论意义和较好的应用价值。