随着科技的进步,人们的生活逐渐走向智能化,“无人超市”在国内外越来越流行。在“无人超市”中用户购买果蔬商品时,需要对果蔬进行自动的检测与分类。但是,现在使用的条形码扫描法,需要人工参与,不仅效率低下而且浪费人力物力。传统的目标检测方法,通常需要遍历整个图像,而且准确率也不高。现有的算法虽然在准确率上有所提升,却由于训练出来的模型巨大导致实际的可用性不高。因此,果蔬的检测和分类算法,不管从准确性、速度以及可用性上都需要提高。本文主要研究基于深度学习的果蔬检测与分类技术。为了解决目前方法准确率较低、可用性较差的问题,本文提出了一种基于改进的Faster R-CNN的果蔬检测与分类方法。在该方法中,设计了一种双层的区域建议网络结构,提高了候选区域位置的精度;然后在对候选区域进行特征提取的时候,融合了候选区域周边的上下文信息,有效地提高了检测与分类的准确率;此外,本文借鉴了 MobileNet的思想,使用深度可分离的卷积将神经网络模型大小压缩为原来的十分之一,增加了模型的可用性。同时,本文构建了丰富的果蔬数据集,并使用数据集训练了果蔬检测与分类神经网络模型,进行了对比实验。最后本文实现了一个基于安卓手机的移动端果蔬检测与分类系统,并通过实际的场景对系统进行了测试。测试结果表明,该系统具有较高的准确率,而且运行速度快、兼容性好。