近年来,“新零售”概念的提出,在销售行业的各个领域、各个环节都掀起了全新的发展浪潮。作为传统的销售服务行业之一,餐饮行业虽保持着不错的发展速度,但该行业依然面临着一些难题和挑战:运营成本高、利润低、行业更新快。如今,餐饮的“新零售”主要表现为餐饮信息化和自动化。在支付和结算方面,无人结算系统是餐饮自动化的一大成果,有效降低了餐厅的人工成本以及运行效率。而构建餐厅的无人结算系统,首先得实现菜品的识别,这是无人结算环节的第一步。幸运的是,深度学习技术的不断发展,为无人结算系统中的菜品识别任务提供了崭新的技术和可靠的解决方案。然而,基于深度神经网络的识别系统,通常采用单个网络实现菜品检测和分类。其网络往往为固定结构,因此这类系统增减识别菜品时,不仅需要修改网络结构中的输出种类,还要收集大量菜品图像对网络进行重新训练,而使得更新成本大大提高。针对这一类传统菜品识别方案的不足,本文提出了一种基于深度学习的菜品识别技术。本文所提出的技术包含目标检测和图像检索两个环节,首先通过一个菜品检测网络,对包含多个菜品的图像进行菜品定位检测,确定图像中菜品的方位,并根据菜品定位的结果将菜品与图像背景分离。然后,使用特征提取网络计算被分离菜品的图像特征,并在参考菜品库中进行检索,以获得菜品分类结果。其中,本文采用的参考菜品库为预先登录菜品的图像特征集合。最后,输出菜品的位置和类别信息。本文根据目标检测网络、图像特征提取网络、参考菜品库的需求,采用了不同的数据集。由于特征提取网络需要具备较高的泛化能力,本文从Chinese foodnet菜品图像数据集中选取训练样本,该数据集包含208类场景丰富的菜品图像。此外,本文自建了目标检测的训练数据集以及参考菜品库的图像数据,前者包含528张餐盘背景下的菜品图片,后者包含105类已分离的菜品图片。本文所提出的无人结算系统中的菜品识别技术,只需更新参考菜品库来实现系统可识别菜品种类的增减,并不需要重新训练特征提取网络,较好地解决了如今菜品识别相关算法不易更新的缺陷。这种技术降低了菜品识别算法的更新成本,使得这种技术更容易应用和普及,更加符合如今“新零售”餐饮行业的需求。