近年来,随着我国经济发展水平的提高、人口数量的增长以及大量工业技术的引进,垃圾的数量也逐年增加。这些垃圾对生态环境和人们的健康产生了越来越严重的影响。针对上述现状,我国开始实施垃圾分类政策。垃圾分类不但可以实现垃圾减量化,还能将垃圾资源化。但传统垃圾分类大多通过人工分拣方式进行,该方法存在费时费力等问题。而深度学习在计算机视觉领域已经得到了广泛的应用,这给如何高效的进行垃圾图像分类提供了一种新颖的思路。因此,本文基于深度学习技术对办公垃圾和生活垃圾的分类问题进行研究,并基于研究成果设计了一个办公垃圾识别应用系统。首先,本文分别收集了办公垃圾和生活垃圾两大类垃圾图片,并将办公垃圾和生活垃圾图片分别构建成源域与目标域相同和不同的两种数据集。根据上海垃圾分类标准将办公垃圾分为干垃圾、可回收垃圾和有害垃圾三大类,将生活垃圾分为干垃圾、湿垃圾、可回收垃圾和有害垃圾四大类。其次,本文基于AlexNet、VGG19、ResNet18和ResNet101四个卷积神经网络模型分别使用迁移学习方法进行了垃圾分类实验。但在进行迁移学习时,出现了训练时间长、分类准确率不高以及泛化能力差等问题。针对上述问题,本文提出了一种经典网络结合极限学习机的级联网络模型。该方法是使用经典网络的卷积块部分作为特征提取器,采用极限学习机代替全连接层作为分类器进行垃圾分类。从实验结果可知,使用级联网络模型进行垃圾分类的测试精度比使用迁移学习方法高出0.07%～22.91%。尤其当数据集是源域与目标域不同时,级联网络的测试精度明显高于迁移学习。因此,级联网络的泛化能力也更好。此外,级联网络训练时间仅需要几十秒,而迁移学习需要几十甚至几百分钟。因此,级联网络可以节约大量的时间成本。然后,本文还进行了级联网络中极限学习机的隐含层节点数选择实验,通过实验法选取出适合本文数据集的节点数。同时,本文进行了级联网络中的经典网络的全连接层消融实验,探讨了全连接层对级联网络分类精度的影响。实验结果表明,除了AlexNet+ELM外,其它级联网络中的经典网络去掉全连接层后可以获得更好的分类性能。最后,本文设计了基于级联网络的办公垃圾识别系统,该系统中的预测模型采用的是上述实验中分类效果最好的ResNet18+ELM级联网络。通过可视化仿真实验验证了本文提出的方法可以较好的解决办公垃圾分类问题,进一步缓解了日益增加的垃圾种类多,分类困难的问题。