人们生活水平的提高以及商品的种类的增加,使得消费者对于商品的要求也越来越高。其中,琳琅满目的商品种类和对商品五花八门的描述,使得对于商品识别的研究也有了越来越重要的现实意义。本文基于深度学习的方法对商品图像识别以及商品图像中的文本识别进行了相关研究,与传统的图像识别以及文本识别算法对比,利用基于卷积神经网络的图像及文本识别算法进行分析,提出本文研究方法。1)为了降低噪声对图像识别准确率的影响,本文将深度残差收缩网应用到商品图像识别。该算法模型主要以深度残差网络为主结构,然后将软阈值函数及注意力机制融入网络模型中。其中,软阈值函数可实现将通过注意力机制注意到的不重要的特征置为0,以此来降低噪声信息的干扰,提高商品图像识别的准确率。实验对包含了51种商品的数据集进行训练,将深度残差收缩网络与Res Net、Alex Net、SENet网络分别进行比较。实验结果表明,深度残差收缩网络不仅可以提高商品图像识别准确率,同时还提高了模型的运行速度。2)本文提出了CTPN+CRNN商品图像中文本检测与识别模型。首先CTPN文本检测模型以VGG16为基础,借助文本构造的算法,对包含了10048张商品图像数据集进行训练。该算法先将大的文本行先拆分为小文本框进行特征提取,然后在利用Side-refineme优化算法实现文本框检测。通过对训练以及测试结果的分析得出,该算法对于文本框的检测具有良好的效果。然后CRNN的文本识别算法模型,对包含了858750张中英文文本的图像进行训练测试。该算法利用双向LSTM,结合文本左右的信息实现对文本的推测识别,同时该算法结合了CTC损失函数,对于不定长的文本识别具有其独特的优势。最后将文本检测与识别结合,实现端到端的商品图像文本识别。通过对实验结果分析,对于文本识别的准确率在33%左右,模型可以识别出文本内容,实现了文本识别的功能,但效果有待提高,期待下一步的工作来提高其识别的准确率。3)为了整体描述商品识别模型训练系统所要实现的功能特性,为程序开发者整理出一套软件设计思路、实现步骤、视图部署及各种技术的解决方案,本文实现了商品识别模型训练系统。该系统通过模块化的思想,方便系统扩展和软件测试。同时用户可以通过接口来调用该系统,实现自己的商品识别模型训练。