随着我国居民生活水平提高所带来的垃圾爆炸式增长,不仅对环境造成严重污染,还危害到居民的身体健康。虽然我国逐渐开始推行垃圾分类政策,但是仍然存在居民自觉分类垃圾意识起步较晚和工厂仍是采取人工流水线分类垃圾的问题。如今,随着深度学习技术在计算机视觉领域空前进步,与之密切相关的迁移学习技术也获得快速发展。为高效处理垃圾分类问题提供了新的解决思路。故此,本文基于深度学习的方法结合迁移学习技术,平衡识别精度和硬件消耗两个指标,设计了垃圾分类算法模型并对其进行了应用。本文主要研究内容具体如下:首先,基于对我国现行垃圾分类国家标准研究,建立垃圾数据集。通过数据爬取的方式收集垃圾图片,并对收集的图片进行筛选、整理和标注。建立有4个大类,包括210个子类的垃圾数据集,同时对图片样本进行预处理和数据增强,为本文深度迁移学习提高数据保障。其次,建立数据集之后,基于深度学习构建不同的卷积神经网络对比实验,将性能最佳的模型作为主干网络。并基于主干网络,建立融合了了注意力机制和自适应池化模块的（Attention Module-Adaptive Pooling,AM-AP）网络。实验结果表明模型识别准确度可达87.82%,比基准模型提高4.19%,同时硬件负荷仅增加约1%,该模型将作为后续深度迁移学习的基础模型。然后,在AM-AP网络的基础上,采用深度学习和迁移学习技术相结合建立（Garbage Deep Transfer Network,GTDN）网络,包括提出了渐进式分块迁移策略和分步微调网络。通过实验分析,对比得出最佳的分块迁移策略配合微调网络的方式,最终识别准确率达到97.86%,同时训练时间下降53.63%,显存负荷减低18.17%。最后,利用GTDN模型,设计并编写可视化应用程序实现垃圾快速读取、识别和指南等功能,体现本文算法较高的实用性。