随着电子商务的迅猛发展,网络购物已经成为人们日常生活中不可或缺的一部分。但随着在线商品种类的逐渐增多和商品图像的海量增长,基于文本特征的商品检索系统由于文本标注的局限性,在查准率方面很难满足用户的需求。而基于图像特征的检索方式利用图像自身特征来表示图像内容,弥补了文本检索的缺点,提高了商品分类和检索的精确度。但是在实际生活中,商品图像属性众多、背景复杂,同时容易受到遮挡、光照等因素的影响,使用传统的图像特征提取方法并不能排除这些因素的干扰,因此如何对商品进行准确地描述并以此提高商品检测精度是商品检索领域的研究热点。近年来,卷积神经网络在商品检索领域的应用和发展受到了许多学者的关注,并且取得了很大进展,但仍存在一些问题。因此本文针对这些问题提出基于卷积神经网络的多尺度商品图像目标检测算法,主要研究内容如下:1、由于商品图像背景十分复杂,会对商品的检测识别造成干扰,因此对目标区域的准确提取是商品检测识别的重要前提。本文首先采用全卷积网络提取人体区域,减少复杂背景对服装分割的影响。然后在分割出的人体区域上利用多目标检测框架提取服装区域和服装上的图案区域,为后续的特征提取和商品的分类识别奠定良好的基础。2、在对商品图像进行分割的基础上,为提高对商品多属性特征的学习能力,将多任务学习的方法引入到网络结构中。此外,由于线下商品图像受光照等因素的影响较大,引入度量学习中的Triplet结构,通过线上线下服装对的学习,提高网络对线下服装商品的识别精度。3、为提高多尺度商品图像检测与识别的精确度,本文同时对服装商品区域和服装上的图案区域进行检测和识别,利用残差网络从多个尺度对商品特征进行描述,以便于能够更准确的对目标商品进行识别分类并有效地解决因尺度大小造成的商品区域不完整等问题。本文针对现有商品目标检测中存在的问题分别从图像预处理、目标区域提取和特征识别三方面进行改进。最后通过实验从不同角度与其他算法进行对比分析,相比主流算法能够有效提高准确率,验证了本文算法在商品目标检测方面的优越性。