城市化进程的加快,使得垃圾数量飞速上涨。正确分类垃圾并提高垃圾的回收循环利用率不仅能够保护环境还可以节约资源,我国从2019年开始,许多城市逐步出台了强制垃圾分类的准则。然而,目前智能垃圾分类的应用不是很多,国内的智能垃圾分类研究更是起步较晚。当前的垃圾分类算法存在网络参数量过大、不便于移植到移动设备中、实际场景下适应性较差等缺点。本文研究了六种不同的网络模型,并在公共数据集Trashnet上实验,选择了兼顾准确率和参数量的轻量级网络MobileNetV2和EfficientNetB0作为基线网络。本文除了使用Trashnet数据集,还建立了垃圾图像数据集（Trash2020）,其中包含40种垃圾。以提高MobileNetV2网络的分类准确率,减小网络规模和防止过拟合等问题为出发点,利用迁移学习策略通过大规模数据集ImageNet对MobileNetV2网络进行训练,将训练好的网络融合注意力机制构建出A-MobileNet网络,再迁移到Trashnet数据集和Trash2020数据集中进行微调。实验表明A-MobileNet模型的准确率相比于MobileNetV2模型提高了 8%,分类准确率达到了 90%。实际应用中对模型精度要求较高,为了提高垃圾分类准确率,提出了一种基于局部感受野扩张的D-EfficientNet模型的垃圾图像分类方法,由于空洞卷积核可在不增加参数的前提下扩大局部感受野,因此给EfficientNetB0网络增加一层空洞卷积以此来扩大最后提取特征的范围,在不增加模型参数量的情况下提高模型的准确率,并且在训练中使用Disout算法防止过拟合。实验结果表明D-EfficientNet网络的分类准确率达到92.2%,比 EfficientNetB0提高了 3%。实验表明D-EfficientNet网络比A-MobileNet在Trash2020数据集上提高了 2.2%,在Trashnet数据集上提高了 1.56%,对比其他文献算法,D-EfficientNet模型的分类准确率也有提高,表明D-EfficientNet模型在垃圾图像分类上有更好的泛化性和鲁棒性。