随着电子商务大众化和快递市场的不断发展,现代物流中大量使用条形码记录物品的各种信息,获取物流不同环节的条形码信息是提高物流效率和管理的重要技术。受实际场景中物流产品体积和场地等因素的制约,需要两台相机叠加视场才能覆盖完整的物品,因此本文使用双目相机进行条形码识别。本文结合深度学习、数字图像处理等技术,建立了一套全场景条形码识别系统,实现对图像中多条形码的快速定位与识别。文章研究的主要内容由以下三个部分展开:（1）为了实现图像中多条形码的准确和快速定位,本文提出了一种基于深度学习的条形码定位算法。文章基于YOLOv3（You Only Look Once,YOLO）的Darknet53网络和改进的损失函数针对条形码数据集重新进行训练,为了应对未来条形种类需求的变化,该数据集中包括当前物流行业中常见的各种条形码。基于深度学习的目标检测算法可以在无人工干涉的情况下自动提取图像特征,将特征提取、目标分类和目标定位等放在同一个网络中进行优化,具有使用步骤简单,鲁棒性较高的优点。实验结果说明,改进的损失函数收敛速度更快,对大角度误差下模型效果更好;文章算法与传统基于数字图像处理的条形码定位方法相比,在WWU Muenster Barcode数据集上条形码定位的速度达到31fps,准确率提高了15%。（2）为了实现条形码偏转角度检测,本文提出了一种基于深度学习的条形码偏转角度检测算法。文章使用Darknet53的基础网络,在其检测头部中添加条形码偏转角度检测结构,将条形码图像定位、偏转角度检测和分类融合到一个网络中优化,并分别为定位、分类和角度回归信息设计了损失函数,优化了网络训练结构。实验结果表明,在WWU Muenster Barcode数据集上,本文算法对比传统算法在准确率上提高了5%,实时检测速率能达到27fps。为快速高效地标定数据集中条形码角度信息,本文还设计了一种基于LSD（Line Segment Detector,LSD）的条形码偏转角度检测算法。该算法在LSD检测结果的基础上,计算所有相同角度的直线总长,将最大值对应的角度,作为条形码的偏转角度。实验结果表明该算法平均检测一个条形码偏转角度的速度为18ms。（3）为了实现双目相机视场重叠区域中的条形码检测和提供全场景物流监控画面,本文提出了一种快速图像拼接算法。在YUV色彩空间中,Y表示亮度信息,UV表示颜色信息,因此可以只对Y通道进行拉普拉斯图像融合,在保证图像拼接质量的情况下,降低了计算的复杂度。实验结果表明,本文算法相对于传统算法,在融合速度上提高了3倍左右,并且在保证有较高拼接质量的情况下,拼接速度能达到22fps。将本文的研究方法应用到条形码检测中,实现了条形码的快速定位与识别。在基于双目相机条形码识别场景中,能够快速进行图像拼接,处理视场重叠区域中条形码识别异常的情况,并提供全场景实时物流监控画面。