超市作为现代社会中必不可少的购物场所,越来越受到消费者的青睐。商品是超市的核心,货架商品信息获取的准确性和实时性将直接影响超市的运作效率和综合竞争力。目前这些工作都是由大量的工作人员完成,这种方式存在效率低、工作量大等缺点。如果能够开发出一种智能化管理软件,可以自动识别出货架上的商品类别,就可以更及时、准确的掌握货架上商品的信息,便于超市管理者作出合理决策。针对目前超市获取货架商品信息存在的问题,本文设计了一套基于图像处理的超市商品识别方法。商品识别主要分为两个部分：图像特征提取和模式识别。本文主要采用的是基于统计的特征,首先使用主成分分析(PCA)、线性判别分析(LDA)两种特征提取方法提取商品图像的灰度特征,并进行了实验验证和对比分析。考虑到商品图像可以利用的彩色信息,继而分别在RGB空间和HSI空间对其彩色分量进行分通道特征提取,并设计了三种分类决策准则对商品图像进行识别。经验证,识别效果比仅采用灰度特征有了较大的改善。最后,在使用HSI彩色特征的基础上,采用一种二次分类方法进行商品识别。这种方法根据超椭球神经网络(HENN)和纠错支持向量机(EC-SVM)两种分类器各自的特点,将二者有效结合起来并用于商品识别,达到了很好的识别效果。对商品库的仿真实验表明,采用LDA彩色特征在二次分类方法下的识别率可以达到99.5%；而对实际超市货架的部分商品图像的识别,其正确识别率达到了97.07%,这些结果验证了本文设计的商品识别方法的有效性。