随着计算机科学技术的发展,人工智能逐渐走进人们的生产生活中,促进了社会生产生活模式的转变。饮食作为人类日常生活的重要组成部分,出现了许多与饮食相关的研究,菜品识别是进行其它饮食相关研究的基础,基于人工智能技术的菜品识别是目前比较热门的一个研究领域。目前深度学习已经在图像识别、目标检测、自然语言处理等多个领域得到了广泛应用。针对中餐菜品种类繁多、食堂人工结算效率低下的问题,本论文开展了基于图像识别技术的菜品自动识别的研究,设计了一个菜品智能识别系统,将系统功能分为菜品检测、菜品识别、系统界面设计三部分。本论文基于深度学习方法,研究菜品检测和识别算法。菜品检测部分,基于YOLOv3目标检测算法,结合轻量级网络结构,使用深度可分离卷积改进特征提取网络,选取ShuffleNet改进的YOLOv3算法作为菜品检测算法,并在构建的菜品检测数据集上通过对比实验验证改进的网络可以在保证检测精度的同时减小模型大小,从而降低实际运行时模型对硬件设备的要求。菜品识别部分,针对菜品之间相似度高、同一菜品形式复杂识别难度大的问题,为了增大菜品特征之间的特征距离,有效提高菜品分类的准确率,本文研究基于Arcface分类损失函数结合ResNet分类网络构建菜品识别算法,构建菜品识别数据库,通过将其与四种经典的分类算法进行对比实验,在菜品识别数据集上的准确率证明了所提方法的有效性。系统界面部分,搭建硬件平台,基于系统功能,使用Eric6和PyQt设计UI系统界面,将菜品检测模型和识别模型相结合,通过测试设计系统,取得了较好的识别效果。