精细粒度的菜品图像识别是计算机视觉研究领域的一个重要课题。随着计算机硬件算力的提高以及智能生活的到来,菜品识别技术将广泛应用于智慧餐厅、健康饮食等领域。当精细粒度的菜品图像采用目标检测算法进行识别时,会出现错检和漏检等问题。为解决此类问题,本文构建新的中餐菜品数据集,并提出三种新的菜品识别方法。本文主要研究内容如下:1.本文构建了一个新的中餐菜品数据集。本文通过观察日常饮食中常见的菜品,确定35种菜品类别,并利用多种渠道完成图像收集工作。由于每张图像包含多个不同的中餐菜品,现有公开数据集中没有此类数据集,因此本文对新的数据集从图像数量、菜品标注框、标注框宽高比等角度进行分析,证明本文构建的多菜品数据集更具优越性。2.本文研究了基于相邻特征信息融合的菜品识别方法。针对通用目标检测特征融合方式的局限性,本文对相邻的多尺度菜品特征进行两步融合操作,充分利用不同尺度菜品特征谱包含的信息,提高多尺度特征信息的利用率,增加菜品特征谱的细节信息。3.本文研究了结合多感受野注意力与特征通道加权的菜品识别方法。针对单个感受野注意力机制菜品信息较少的局限性,本文提出利用多个感受野特征分别进行注意力操作,并将这多个感受野注意力融合起来。该方法提高了菜品特征谱的细粒度信息,增加了菜品特征谱的不同层次信息。同时为了突出菜品特征谱中重要通道的作用,本文再次利用多感受野特征对新的注意力特征谱进行通道加权操作,进一步突出多感受野注意力的重要性。4.本文研究了基于目标边界框再定位的菜品识别方法。本文从提高菜品位置定位能力出发,首先介绍常用定位损失函数,并通过常用损失函数提出一般化的定位损失函数,然后分析菜品数据集选择合适的损失函数。同时改进原有目标检测算法,提出基于目标边界框的再定位方法,最后将此方法与新的损失函数结合起来形成本文方法。本文在新构建的中餐菜品数据集上对以上工作进行验证,上述三种菜品识别方法的准确率分别为84.31%、84.60%、85.28%,实验结果表明本文的菜品识别方法能够有效提高识别准确率,减少菜品识别的漏检和错检问题。