随着网络技术的飞速发展,无人超市作为新零售模式被广泛关注。无人超市现有解决方案多通过对商品贴装RFID设备实现,成本偏高。近年深度神经网络的发展迅速,随之而来的是目标检测算法的快速更迭,使基于计算机视觉的无人超市解决方案成为可能。故本文以深度神经网络为基础,研究便利店的商品检测与识别算法。本文首先对目标检测算法在泛化数据集上的性能表现进行了研究。深度神经网络拥有强特征表达能力的优势,在检测与识别任务中都有突出的表现,故现有目标检测算法多以深度神经网络为基础。商品识别以精度为第一指标,本文着重研究基于区域的检测识别算法。Faster R-CNN模型是基于区域的检测算法中的重要模型,在对该模型进行深入研究后,本文对Faster R-CNN模型中的特征提取网络表达特征尺度不够丰富的问题作出改进,提出了基于多尺度特征融合的Faster R-CNN模型,并在VOC2007数据集上提升了检测的准确率。在泛化数据集的研究基础之上,本文针对便利店商品数据集的特性:商品尺寸差异大、遮挡明显和细长商品较多,提出了基于深度多尺度特征融合的商品检测算法。该算法以Faster R-CNN为基础,将特征提取网络改为深度多尺度特征融合网络,提升算法中特征的表达能力;结合改进的锚框选择方案,使算法对细长商品的检测能力大幅提升;并通过迁移学习和数据增广使算法在商品数据集上性能进一步提升。通过实验对比验证了本文提出算法和模型的有效性,对于重叠商品、细长产品和小尺度商品的检测与识别均优于原始模型。本文提出的算法在自建的便利店商品数据集上检测与识别准确率达到了91.2%,且检测速度可以满足实时检测的要求。