垃圾分类是实现垃圾减量化、无害化和资源化的重要环节。传统垃圾分类大多使用人工分拣的方式进行,该方式存在着分拣效率低、人工成本高等弊端。随着我国智能化设备水平的不断提高,使用计算机视觉智能设备进行垃圾分拣成为可能。但是传统图像分类算法使用人工进行特征提取并分类,当垃圾种类与数量增多时,智能化设备的分类准确率与效率会有所下降。深度学习技术在计算机视觉领域的成功应用,提高了图像分类的准确率与效率,使得深度学习技术替代传统图像分类算法进行垃圾分类成为趋势。因此,使用深度学习技术对垃圾进行自动化分类具有重要意义。首先,本文构建垃圾分类数据集。数据集来源为:网络爬虫技术爬取生活中常见的各种垃圾图片,将不符合要求的垃圾图片剔除;使用华为垃圾数据集中部分垃圾图片,选择符合要求的垃圾图片数据;通过摄像设备收集生活中的常见垃圾图片。本文将垃圾图片分为四大类分别为:干垃圾、湿垃圾、有害垃圾和可回收物。其次,本文构建垃圾分类模型。比较各种经典图像分类模型的优缺点,设计实验选出适用于本课题的图像分类模型。同时,引入注意力机制对模型进行改进,研究注意力机制对Efficient Net系列网络准确率的影响。使用不同训练条件下模型进行集成学习,增加模型的泛化能力,减少单一模型可能产生的高方差问题。研究发现注意力机制对Efficient Net模型的准确率有提高作用,并且集成学习可以在一定程度上提高集成模型的准确率。最后,本文使用知识蒸馏技术将集成模型学习到的知识教给复杂度较低的MobileNet V2模型。实验结果表明,使用不同的知识蒸馏参数普遍会提高MobileNet V2模型的准确率。其中当温度T为20、α为0.7时,MobileNet模型的准确率提升最高,提升准确率为1.271%,最终Mobil Net V2模型的准确率达到93.494%。本文的研究成果有助于理解垃圾分类模型以及注意力机制、集成学习与知识蒸馏对垃圾图像分类模型的影响,为垃圾分类的实际应用提供理论指导。