近年来,随着电子商务的迅猛发展,快递业务量呈高速增长态势,为物流产业带来了前所未有的机遇。然而,快递分拣跟不上业务增长的需求,大多中小型快递分拣中心仍然采用人工方式,不但容易造成误拣,且效率低下。因而,尽快实现快递的自动分拣,是亟待研究的课题。基于此,本文引入机器视觉,详细研究了快递派件信息码图像的检测和识别技术,并设计了快递自动分拣软件系统。主要工作和创新如下:（1）在传统图像算法的基础上,提出了一种基于MSER和Bernsen融合的快递单信息码文本检测算法。首先利用OSTU双阈值二值化将快递单与背景分割;结合腐蚀、膨胀等形态学处理使得快递单轮廓更加清晰;同时利用包络检测、仿射变换以及基于统计特征的二次矫正策略将快单提取并摆正。通过对基于MSER算法和Bernsen算法所提取文本区域的分析发现,这两种算法分别得到的文本候选区域中存在着较多非文本目标,难以直接检测到信息码的位置。因此,本文将这两种算法融合以精简候选区域,然后通过启发式文本验证、文本行构建及多尺度分析等方法,准确检测出信息码位置。（2）考虑到基于传统图像算法的信息码检测方法存在对先验经验依赖的缺点,提出了一种改进的深度学习文本检测模型。首先利用传统图像算法,构建了深度学习样本集,再通过随机几何变换、随机光学扰动等方法对数据集进行了增强和扩充。其次,使用K-means聚类方法对数据集中目标尺寸进行聚类分析,用聚类结果初始化RRPN模型中锚框,使得RRPN网络在特征图上生成的锚框尺寸更接近真实值,减少了模型训练所消耗的时间和算力。最后,针对传统方法和深度学习方法进行了文本检测测试,结果表明,深度学习方法在信息码文本检测上具有精度更高、速度更快、泛化能力更好等优势。（3）对信息码识别方法进行了研究,并综合设计了一个信息码识别软件系统。通过对比分析Tesseract OCR引擎和Tiny-dnn框架下的Lenet-5网络,本文选择了应用Lenet-5网络对信息码字符进行识别,其识别准确率最高达到99.27%。在此基础上,利用MFC和VS2015设计了快递自动分拣系统,该系统集图像采集、信息码检测和识别功能于一体,从原始快递单图像的采集到识别过程小于500ms,完全满足实际分拣系统的应用需求。