食品与人类的日常生活息息相关,近年来,与食品相关的科学研究愈发火热。其中,以人工智能技术为主的菜品识别是诸多国内外学者的研究课题。菜品识别技术是开展智能食材管理、饮食健康监测等相关研究工作的基础部分,目前国外绝大部分的菜品识别技术适用于西餐和日式料理。鉴于中餐菜品的多元性和异质性,中餐菜品图像识别算法的研究始终是一个难点。当前,研究人员的主要目标是在公共数据集中实现高精度识别,导致大多数模型的网络深度大、网络结构复杂,从而对计算机内存需求大,计算能力要求高。在目前菜品识别的落地场景中,主流设备是移动终端设备,网络深度大、网络结构复杂的检测模型会消耗终端设备的大量计算资源,不利于移植到移动终端设备的便携使用。因此,目前菜品识别领域主要面对的挑战是如何设计一个能够应用于便携式设备的同时兼顾复杂性和准确率的菜品识别模型。本文从实际需求出发,采用基于深度学习的研究方法将中餐菜品图像的识别分成了菜品位置检测和菜品分类两部分,构建高效、智能、轻量化的中餐菜品识别算法。本文的主要工作内容如下:（1）目前公开的菜品数据集只适用于菜品分类,图像中仅包含单个菜品目标,不适用于真实场景下多菜品的情况。针对这一问题,本文面向餐厅应用场景,在某高校食堂进行了数据采集和处理等工作,通过拍摄采集和网络扩充的方式,自行创建了一个包含2734张共37类菜品的中餐菜品检测数据集FOOD37,从而解决真实应用场景下中餐数据集缺乏的问题。（2）针对中餐菜品位置检测问题,本文提出一种基于改进YOLOv5s的中餐菜品位置检测方法。该方法首先引入CA注意力机制,增强YOLOv5s模型对于菜品的检测性能,降低漏检率。然后,引入Ghost轻量化模块改进YOLOv5s的Backbone、Neck部分对网络模型进行压缩,提升检测速度,该模块能够通过高效操作以更少的参数量和计算量生成特征图。实验结果表明,本文提出的改进的YOLOv5s菜品位置检测模型可以使得参数量、GFLOPs和模型大小都减少近一半,检测速度也有明显的提升,在使得模型轻量化的同时,成功提高了检测效率而且能保证准确率。（3）针对中餐菜品分类问题,本文提出一种基于改进EfficientNet-B0的中餐菜品分类方法。该分类网络首先引入ECA注意力机制,ECA模块只涉及少量的参数,却取得了明显的效果提升;其次使用h-swish激活函数降低网络计算量;然后使用迁移学习方法提升模型的准确率;最后,使用本文提出的知识蒸馏方法进一步提升模型的准确率。本文所提出的改进方法,既可以有效的提升Efficient Net-B0模型对菜品分类的准确率,同时也保持了改进菜品分类模型的轻量化。（4）结合菜品位置检测模型和菜品分类模型,使用PyQt5设计界面搭载MySQL数据库开发菜品识别系统进行实际应用。