目标识别一直是计算机视觉领域的研究热点,商标识别是目标识别研究的一项具体应用。现实场景中商标图像易受到光照,遮挡等自然条件的干扰,导致传统的图像处理算法无法很好的满足准确识别商标的需求。目前深度学习技术在目标识别领域取得许多突破性成果,能够很好的解决上述问题。本文利用深度学习技术,对日常生活中常见的商标进行识别,并结合图像分割算法构建实例分割系统,可用于商标检索或相似性检测。本文主要工作如下:1.制作了一个用于商标识别的多类别商标数据集。现有的公开商标数据集内容陈旧,无法合理地表征现代生活场景中常见的商标类别,同时数据集中图像的质量参差不齐,会使得训练后模型的性能较差。本文的数据集涵盖了生活中常见的商标类别,同时包含强光、重叠、模糊等非人为干扰因素的复杂图片,提高参与模型训练数据的丰富程度,有利于提高模型在实际场景应用中的性能。2.提出了基于混合特征金字塔结构的商标识别模型。信息丰富的特征图像是准确识别目标的基础,采用特征金字塔结构能够融合不同维度的特征信息,获得信息丰富的特征图像,从而提高目标识别的准确度,但传统的特征金字塔结构是自上而下的单向融合过程,无法充分融合多尺度信息,最终会影响目标识别的准确性。针对这一问题,本文提出了混合特征金字塔结构,对多层特征图像进行交叉融合,并且在交叉融合后再进行一次自下而上的融合,从而获得信息丰富的特征图像。采用该结构的商标识别模型在本文的数据集上进行实验,结果表明,该模型m AP为97.8%,比采用原始特征金字塔结构的商标识别模型提升了6%。另外,在公共数据集Flickr Logos-32上进行实验,本文模型m AP为87.4%,优于Faster RCNN、PANet以及DSFPN模型。3.将商标识别模型与改进的Grab Cut分割算法结合,构建了无需交互的商标实例分割系统。商标实例分割系统除了要求分割的准确度,还对实时性有一定要求,为了提升系统的实时性,采用了轻量化的Mobile Net V2卷积网络提高计算效率,并用Soft-NMS代替NMS以更好的筛选候选框,引入余弦退火算法调节学习率,优化梯度下降过程。将本文构建的实例分割系统在本文的数据集上进行实验,结果表明,该分割系统的分割精度为92%,处理单幅图像耗时0.39 s,与Mask RCNN模型相比耗时更短。