随着我国居民消费水平的提高,垃圾产生量日益增多,如果不及时对垃圾进行分类处理,将会污染环境,甚至影响社会治理。由于垃圾种类繁多,在人工分拣下不仅环境恶劣,而且耗时耗力较为主观。相比于传统方法,卷积神经网络只需经过图像预处理、特征提取和全连接层操作即可对垃圾图像进行分类,模型训练简单且更易于优化。但是由于各类别垃圾图像之间存在局部特征相似和数据的不平衡性,导致垃圾细粒度图像的分类问题被忽略,进而影响分类精度。并且由于目标检测模型发展的限制,对图像中多类别垃圾物体的检测存在漏检误检、泛化性较低,以及缺少实时性的识别应用平台等问题。针对以上问题,本文利用卷积神经网络对垃圾图像的分类和目标检测展开研究,主要内容如下:1)垃圾图像分类。针对图像中单个垃圾种类分类精度低的问题,选择Xception模型改进其结构,优化相关参数。首先,通过使用Group Normalization替换网络模型各层之间的Batch normalization,解决因batchsize设置过小而导致的准确率下降的问题;其次,在Xception模型的最后部分添加SE-Net模块,强化重要通道信息,去除传统的全连接层,依次添加全局平均池化层、dense层、dropout层,减少了参数量,提升泛化性;最后,对改进的模型进行参数优化,选择使用Nadam优化器和余弦退火学习率来不断迭代更新网络参数,并采用标签平滑等正则化方法来提升泛化性。实验表明,该方法经过迁移学习有效提高了垃圾图像分类的性能。2)垃圾目标检测。针对图像中多个种类垃圾检测性能低的问题,选择传统检测模型SSD改进其结构,优化相关参数。首先,将SSD中的基础网络VGG-16替换成改进后的Xception结构,减少计算量,提升特征提取能力;其次,在检测层添加特征融合模块,增强高低层的上下文信息联系,减少对小目标的漏检误检;最后,引入Focal loss、GIo U损失函数和Soft NMS,解决样本不平衡性问题。实验表明,该方法有效提高了垃圾目标检测的性能。3)垃圾分类检测平台。Flask框架利用HTML和CSS进行页面设计,后端直接部署调用优化好的网络模型。该平台主要实现了垃圾图像上传,分类识别结果返回以及垃圾知识科普等功能,为用户提供了快速识别垃圾种类的方法。