随着网络传输与数据计算等需求的不断增长,IT(Information Technology,信息技术)机房设备资产的规模与数量也愈发膨胀。在传统的机房管理模式下,管理人员需要对大量的设备进行人工盘点,并进行纸面的信息录入。人工进行信息收集录入与管理带来了大量的人力消耗,并无法保证设备信息录入的准确性与快速性。随着通信与互联网行业的快速发展,对IT机房设备资产管理方式的信息化与智能化变得愈发得迫切。本文针对IT机房传统设备资产管理方式效率低、成本高、耗时长、可靠性低等问题,设计并实现了一套基于卷积神经网络(Convolutional Neural Network,CNN)的 IT 机房设备识别管理系统。该系统内的各子系统间高度解耦,通过RESTful接口与消息中间件进行交互,拥有良好的运行性能与鲁棒性,能很好地满足管理人员对设备资产管理信息化与数字化的需求。同时,引入了基于CNN的目标检测技术,使用滤波器对所采集的图像进行深层特征的提取,最终计算得到目标设备的边界框与预测标签,实现IT机房设备的自动化检测。本文基于YOLO算法模型,创新性地提出了机房设备检测场景下适用的改进网络模型,并设计实验对其在该应用场景下的可行性进行验证。同时本文提出了数据集自动构建模块的创新设计,该模块利用用户数据对训练集进行扩充,供算法模型迭代训练,一定程度上降低了模型的过拟合,优化了目标检测算法模型的性能与泛化能力。本系统通过目标检测技术实现机房管理过程中设备信息录入的自动化,一定程度上提升了机房设备管理工作的效率,提高了设备信息管理的实时性与可靠性。本文首先介绍了相关背景与技术。接着结合用例图,针对应用场景下用户需求进行了分析。再结合UML类图与流程图对进行了子系统的详细设计。之后对各功能进行了测试,确认了系统功能的完备性。经过实验与测试,该系统能够较好地满足IT机房设备信息管理的需求,设备检测模块对图像中的多个设备目标能够实现清晰的定位与识别,对IT机房设备信息管理工作起到了不错的效率提升作用。最后,对本文工作进行了总结,对下一步的工作作出展望。