经济水平的腾飞与人口数量的增长,加速了社会对生活塑料制品的更新速度以及更多需求的产生,同时,带来了废杂塑料产量的飞速上升与其类别的多样化与复杂化,这为塑料的回收利用带来了极大的商业潜力与生产压力。随着机器学习智能算法理论的高速发展,以视觉相机为传感器,智能算法为处理核心的检测技术逐渐被企业应用到工业生产的各个场景中,提高自动化程度、降低生产成本。本文针对废杂塑料视觉分选中的复杂检测场景开展研究,主要研究内容如下:首先研究了基于传统机器学习SVM分类器的废杂塑料分类方法,包括图像处理、特征提取及SVM分类三大流程,图像处理包括图像滤波和阈值分割。利用基于SVM的二分类原理,并针对废杂塑料7大分类设计了SVM的多分类模型,并进行相应的实验测试。其次研究了基于卷积神经网络的废杂塑料检测方案,包括数据准备、模型训练、泛化性测试对比以及数据增强方案的选择。本文主要对Adan优化器进行改进,且通过改进Adam优化器训练了基于Anchor-base与Anchor-fee的三种检测框架:SSD、Center Net与Fovea Box,通过实验对比确立Fovea Box为本文的检测框架。最后根据经典Fovea Box在废杂塑料分选场景下的检测效果缺陷,以及废杂塑料目标的复杂性,着重进行了算法改进研究。其一,针对废杂塑料目标形态复杂的特性,为提高卷积过程的有效感受野,提出带缩放系数的可变形卷积方法;其二,针对废杂塑料分选过程目标间彼此遮挡现象,为了提高模型对距离较近目标的检测精度,提出了带层级控制因子的软化加权锚点机制;其三,针对特征金字塔对废杂塑料目标特征提取及融合能力的不足,提出了以循环金字塔为基础的多层特征融合方案替代原有的特征金字塔。并分别对每种改进方案进行了相应的实验验证,且通过一系列的实验以对比本文改进Fovea Box与其他检测框架在废杂塑料分选场景下的检测效果,验证其有效性与可行性。综上研究表明,本文改进算法在废杂塑料分选场景下性能更优,能达到工业生产的准确性与实时性要求,具有较好的迁移能力及实用价值。