条码作为一种快速识别技术的媒介,被广泛应用于各种行业。条码符号由不同宽度的白条纹和黑条纹按照一定的编码规则排列而成。迄今为止,条码检测领域已有大量的相关研究,但目前的检测方法仅适用于条码纹理不受干扰且背景简单的情况,难以适应工业场景中多变的复杂环境,如模糊,遮挡,污损等等。针对现有条码识别方法计算量大,定位精度不高以及解码算法针对模糊条码鲁棒性不强的问题,提出了三种算法提高视觉读码算法的性能,具体研究工作如下:（1）针对工业结构化场景下对质量较高条码的快速定位需求,提出基于边缘特征的条码定位算法。该算法基于滑动窗口策略,提取图像块的梯度信息表征条码的纹理特征,并利用支持向量机（Support Vector Machine）对滑动窗口内的特征进行分类,得到条码的候选区域。根据理想端正条码图像矩阵的秩为1的特点,利用变换不变低秩纹理（Transform Invariant Low-rank Textures）算法对候选区内发生旋转仿射的条码进行校正得到姿态端正的条码图像,提高了其定位精度。利用收集的数据集对算法进行测试,图像大小为512×512pixel时定位速度达到了20fps。（2）针对工业物流场景中多种干扰下对条码高鲁棒定位的要求,提出基于条码角点检测网络的定位算法。该算法主要包含两个阶段,第一阶段利用神经网络提取条码的多尺度特征图,并针对条码具有较大的长宽比的特征,利用网络自学习区域提取网络（Region Proposal Network）中锚框长宽比,提高了狭长型条码定位率。第二阶段利用关键点提取网络在第一阶段初步定位到条码所在区域的基础上,进一步定位条码的四个关键角点,提高条码的定位精度。在同样的数据集上进行了实验,算法平均定位准确率达到了98.6%。在条码模糊这种困难场景下,提出的算法的定位准确率相比于传统基于手工特征的算法提高了52.0%。（3）针对复杂工业场景下条码图像模糊、噪声较大时仍能解码的需求,提出基于动态模板匹配与隐马尔科夫模型的条码解码算法。该算法利用隐马尔科夫模型对条码信号的固有性质进行建模,动态模板匹配算法的输出则作为隐马尔科夫模型的状态转移矩阵和观测矩阵,隐马尔科夫模型的最优隐状态序列即为解码结果。算法在UCSC UPC database数据集上与Gallo和广泛应用于工业领域的读码软件Halcon、Cognex、Keyence、Zxing和Zbar等做对比,结果表明提出的算法在模糊和噪声干扰下有着最高的解码率。算法在自建数据集上进行极限解码能力的测试,实验结果表明解码算法能解码条码的最小模块宽度为0.8ppm（Pixels Per Module）。本研究不仅对各个算法进行了单独的性能测试,还在搭建的实验平台上针对不同的应用场景进行了相关的应用实验。在工业结构化场景下,基于边缘特征的条码定位算法的定位率达到了99.6%。在较为复杂的工业物流场景下,利用基于条码角点检测网络的定位算法和基于动态模板匹配与隐马尔科夫模型的条码解码算法对采集的1000张包含模糊、非线性光照以及线性变形的图片进行实验。最终解码率达到了95.5%,超越了Halcon等工业软件。最后将算法部署在嵌入式平台上形成读码装置,并在实际工业生产线上进行了应用测试。