在中国军事现代化程度日益增强的大背景下,军用物资的品种、数量也在日益增多,军事仓库的战略地位也更加的凸显。为了适应现代化战争的需求,仓储管理系统的机械化、自动化与智能化必不可少。当下部队中很多仓库仍旧处于机械化初级阶段,信息化水准低下造成了军队仓库的管理水平相对落后、管理效率难以提升,以及运营成本高的窘境。本文以某部队后勤仓储管理自动化工程为项目背景,根据当前仓储管理工作中面临的问题对客户提出的要求进行了分解,并结合实际情景对整个仓储管理工作过程加以总结,将深度学习算法和仓库管理工作中的各种任务紧密结合促进了仓库管理向智能化发展。本文对深度神经网络算法以及仓储管理系统的各个模块进行了功能的详细设计与实现,主要工作如下:（1）调研了仓储管理领域的发展现状,结合深度学习中的计算机视觉方向目标检测技术对仓储部分功能实现智能化,包括智能盘点、物资识别、人员入库检测、安全监控、烟雾火点检测等功能。以Faster R-CNN、YOLOv5、Swin transformer等最新的深度学习目标检测网络为基础,研发了针对于仓库环境的WOLO目标检测网络。该网络使用了复杂的数据增强操作、transformer模块的注意力机制、大分辨率的特征图检测层、可缩放的网络结构来解决仓库环境下的特殊光照、物资尺寸多变、物资遮挡、各个任务对算法的速度与精度要求不一等问题。（2）使用Pytorch深度学习框架,基于YOLOv5实现了 WOLO目标检测网络,并针对仓库管理中的不同任务,收集使用了 6个不同的数据集对WOLO模型进行训练、测试,对WOLO的不同模块进行消融对比实验。实验证明WOLO对类似仓库环境下的图像检测效果非常优秀,WOLO的每个模块都对其性能提升做出了贡献。（3）通过对用户的软件需求进行条分缕析,本文首先理清了仓库管理系统的功能要求、性能需求;然后对仓库系统进行了系统架构的设计和功能结构的搭建、对管理系统的每个子模块进行流程分析与设计;最后采用B/S模式研发并实现了智能仓储管理系统软件。