目前,我国对废旧垃圾塑料瓶回收仍以效率低的人工分拣方式为主,此方式工作环境恶劣对人体健康危害大,为此工业界积极开展了设计基于计算机视觉的垃圾瓶自动分拣设备的研究,但是现有设备存在识别精度和速度低的问题,无法满足企业的需求。鉴于此,本文以提高垃圾瓶颜色分类检测精度和速度为目的,分析了垃圾回收分类研究现状和问题,开展了基于深度学习的垃圾瓶颜色分类研究。通过对现有算法实验验证和分析,提出了通过压缩模型和设计轻量化模型的思路进行网络优化,并对改进后的算法模型进行实验验证和分析比较。本文的主要研究内容有:（1）研究卷积神经网络的基本结构,三个特性局部感知、权值共享和下采样。对主流的two-stage和one-stage的基于深度学习的目标检测算法进行详细分析和对比。（2）研究one-stage的YOLO v4算法模型在垃圾瓶垃圾瓶颜色分类上的应用。针对数据类别分布不均衡问题,引入Focal Loss和Label Smoothing平滑标签方法,采用冻结训练方式进行模型训练,并实现对单张/多张图片的检测。通过实验表明,该模型下得到的m AP为90.7%,推理时间为55.55ms。（3）研究压缩版算法模型YOLO v4-tiny在垃圾瓶垃圾瓶颜色分类上的应用。目的是通过压缩网络模型减少网络参数,提高检测效率。通过实验表明,在同一垃圾瓶数据集下,推理时间缩短至34.48ms,但m AP降至89.0%。（4）研究设计轻量化算法模型Mobile Net v2-YOLO v4,改进YOLO v4网络结构,平衡算法模型的检测精度和速度性能。具体地,对主干特征提取网络用Mobile Net v2替换,同时借鉴Mobile Net思想引入深度可分离卷积,提出了在不改变网络深度的情况,采用深度可分离卷积代替加强特征提取网络部分的3×3普通卷积,大大减少网络参数。通过实验结果表明,在同一垃圾瓶数据集下,Mobile Net v2-YOLO v4模型得到的效果更为显著,取得了31.25ms最快的推理时间,以及较高的检测精度,m AP达90.1%,能够较好的满足企业对垃圾瓶颜色分类识别的精度和速度的需求。