网络电商的蓬勃发展使得快递业务量爆炸式增长,而落后的分拣环境在一定程度上阻碍着物流业发展,对中小型分拣站点来说,提高自动化程度,进一步发展“智慧物流”是很迫切的问题。因此,通过机器视觉与图像处理算法从运单上识别信息以取代人工扫码,并建立分拣管理系统是值得研究的课题。在此背景之下,本文设计了可以实现运单多条码自动检测与识别的物流分拣管理系统,主要工作和创新如下:（1）提出了新的运单图像矫正与提取算法。首先利用形态学变换与仿射变换,完成运单图像在整张背景图片中的定位和提取;然后根据运单图像的倾斜问题,提出了二次矫正方案,即利用霍夫变换进行一次矫正,利用旋转角度统计进行二次矫正,取得了很好的矫正效果。（2）提出了改进Harris角点检测的运单多条码定位方法。本文提出了基于梯度形态学和角点检测的多条码检测方法。改进了传统Harris角点检测算法抗噪能力弱易检出伪角点的问题,通过滑动窗口位移时的离散度判断梯度,有效提升了算法的抗噪能力,结合梯度形态学并根据条码独特的角点特征,通过霍夫变换进行验证,以较高的准确率实现了运单多条码的定位。（3）提出了基于DE-BP网络的图像复原方法。模糊的条码图像降低了译码成功率,本文通过对比经典图像复原算法和BP网络的不足之处,提出了DE算法优化的BP复原网络,有效加快了网络收敛速度,减轻了初始权值的影响,证实了DE-BP算法在图像复原方面的优势。最后以相似边距离法完成了128码的重编码,优化条空扫描流程,实现了对条码图像的译码。（4）设计了基于条码识别的物流分拣管理系统。通过前述步骤所得到的运单条码信息向云服务器请求分拣三段码,完成包裹分拣工作。建立了分拣信息数据库,实现了分拣口数据,系统故障以及“运输小车”使用情况的查询功能,最后通过POST方式向服务器上传条码信息和到件,派件状态,完成了云端全程物流跟踪,提高了分拣环节的自动化程度。