随着电子商务的不断发展,我国快递业务量也迅速增长,与此同时快递识别和分拣技术也经历了多样化的发展。基于无线射频技术、条形码和二维码等技术的包裹自动分拣系统也得到了应用。但是针对快递驿站场景,这些技术尚不能将不同快递公司的包裹区分开。目前已有利用卷积神经网络对快递运单标志进行识别的先例,再加上深度学习的迅猛发展,可见基于深度学习的目标检测技术在快递识别、分拣方面有着广阔的应用前景。本研究利用Faster R-CNN模型来实现快递的识别,通过学习快递标志的特征将不同快递公司的包裹区分开,对于后续提高快递分拣和包裹配送效率有着重要的理论基础。本文具体的工作如下:首先由于目前没有公开的快递数据集,本文以常见的七种快递:邮政、圆通、韵达、申通、百世、中通、顺丰为研究样本,制作了快递数据集。通过图像采集、数据标注、数据分类等一系列工作完成了数据集的创建,并详细介绍了数据增强的集中方式,通过旋转、加噪、亮度调整等方式进一步完善了数据集。最后,利用Faster R-CNN模型在自建的快递数据集上完成模型的训练和测试。实验表明,基于Faster R-CNN模型的快递识别系统平均准确率达到了87.36%,取得了较好的识别效果。其次针对原模型中的锚点并不适应快递数据集这一问题,利用k-means++算法对快递数据集中的目标框进行聚类,得到合适的长宽比,并改进初始候选框的尺度以适应快递尺寸。实验表明,加入聚类策略后的系统平均准确率达到了89.19%,较原先提高了1.83%。由此可见,合适大小的锚点能减少冗余,并帮助模型精准定位边框。最后在快递识别场景中,对于文件式快递会存在重叠遮挡等问题,利用原模型中的非极大值抑制算法会造成漏检,针对这一问题本文提出了基于候选框长宽比的双阈值-非极大值抑制算法。先通过候选框的长宽比剔除掉一些明显不是快递目标的边框,然后再进行双阈值-非极大值抑制。相比较于原来的算法,改进后的非极大值抑制使得系统的平均准确率提高了3.48%,同时系统的漏检率也降低了3.4%。综合来看,加入聚类策略和双阈值—非极大值抑制方法的Faster R-CNN较标准网络有较强的鲁棒性,最终达到了92.07%的平均精度。该方法能够有效提高快递识别准确率,从而进一步提高派件效率。