零售业在一国经济中举足轻重,随着人工智能的崛起,无人零售迅速发展。其中,商品检测是无人零售的关键技术,也是目前深度学习领域研究的一个热点话题。深度学习技术严重依赖专家经验以及人工干预,而自动机器学习会针对特定任务将模型建立、超参数调优等一系列步骤进行自动化学习,使得整个过程无需人工干预便可得到最优模型。因此,本文将基于自动机器学习研究商品检测网络优选问题,以获取检测精度高的网络并进一步优化其结构,从而降低网络复杂度。以下是论文的主要研究内容:（1）论文首先对目标检测现状进行了分析,并借鉴了大多数目标检测算法的主干网络都是基于图像分类而设计的思想,同时先后对比了基于自动机器学习的神经结构搜索方法,选定了具有高精度且满足硬件支持的ENAS方法对商品分类任务进行神经结构搜索,最终在Faster RCNN算法上验证了搜索的网络结构在商品检测任务上的有效性。（2）为了解决ENAS方法存在的训练偏置以及耦合问题,本文基于创建临时权重对ENAS方法进行了改进。通过使用超网络为子网络生成临时权重,避免了使用一组权重让所有子网络复用的弊端。同时,神经结构搜索过程中不仅需要最小化训练损失,而且需要最大化验证精度,通过将两者梯度分别应用于原始权重和临时权重,使得这两个过程解耦,从而降低训练成本。（3）为了解决网络结构存在的性能受限以及计算成本高的问题,本文提出了一种基于NAT的网络结构优化方法。对于存在可优化空间的网络结构,通过训练一个神经网络结构转换器,将网络结构作为输入,将优化后的网络结构作为输出。在不引入其他的计算以及参数的情况下,将网络结构中冗余的计算操作用计算量更少、复杂度更低的操作取代,保证在不影响网络精度的前提下,获得结构更为紧凑的神经网络模型。通过实验表明,本文基于自动机器学习搜索商品识别网络结构具有可行性,不仅能够减少模型构建与训练过程中的人工干预,而且通过对网络的优化进一步降低计算成本,从而获得高精度、低复杂度的商品识别模型,为无人零售提供技术支持。