随着人民生活水平的提高,对食品的安全越来越重视,主要采用点阵字符标识的生产日期,既是消费者判断食品安全的重要依据,也是供应商对食品安全性的保证。点阵字符是由离散点喷洒构成,容易受环境和设备影响产生缺陷,如:变形、缺印、污印等,采用人工检测费时耗力,不能满足生产发展和市场的需要,人工智能的崛起推动了各行各业的发展,利用人工智能技术对字符进行检测是未来的发展趋势。因此,本文针对上述问题,对基于深度学习模型的点阵字符检测方法进行了深入研究,以提高点阵字符检测的准确率,主要内容包括以下方面:1、总结了字符检测的国内外现状,点阵字符检测研究难点,深度学习研究的现状,详细介绍了深度学习检测的相关理论,分析了影响深度学习检测性能的关键要素,选择基于深度学习RefineDet网络模型对点阵字符检测。2、针对RefineDet网络对无缺陷的类别不平衡点阵字符检测准确率低以及网络本身存在的多任务不平衡问题,提出了一种部分加权损失函数（Subsection Weighted Loss,SWLoss）。首先,损失函数以每个训练批量中不同类别样本数量的倒数作为启发式的类间样本平衡因子,对分类损失中的不同类别进行加权,从而提高对小样本类别学习的关注程度。然后,引入多任务平衡因子对分类损失和回归损失加权,缩小两个任务学习速率的差异。实验以无缺陷的不平衡点阵字符数据集为对象,结果表明,基于SWLoss的RefineDet网络的m AP值高达97.06%,与原始网络使用的损失函数相比,m AP值提高了9.86%,所提损失函数有效解决了类别不平衡点阵字符检测准确率低的问题。3、针对RefineDet网络对包含缺陷的类别不平衡点阵字符检测时准确率低的问题,提出了一种嵌入注意力机制的RefineDet网络（Attention R-FCN RefineDet,AFRefineDet）。首先,在RefineDet网络的主干特征提取网络第一组卷积结构后并联卷积注意力目标得分机制,用于获取前景目标得分图。然后,将得分图与原始主干特征网络获得的特征图进行融合,增强前景目标特征,抑制背景无关特征。最后,在模型输出预测端对目标进行切分,通过局部信息进行预测,并与全局预测相融合,提高目标检测的准确率。实验以有缺陷的不平衡点阵字符数据集为对象,结果表明,融入注意力机制的RefineDet网络m AP值高达97.94%,与基于部分加权损失函数RefineDet网络相比,m AP值提高了1.73%,所提注意力机制有效提升了缺陷点阵字符的检测准确率。