当前对垃圾的处理流程通常是居民将生活垃圾丢到垃圾桶中,环卫工人清理然后运送到指定的处理厂进行焚烧或者填埋。这样就会导致部分可循环利用的资源没有得到充分的使用,同时也对环境造成了巨大的污染。然而在居民丢生活垃圾的是对垃圾图像进行分类并将对应的垃圾放入对应的垃圾箱中,这样能够将有用垃圾提出来加以利用,这样处理的优势有:资源得到循环利用、环境污染减少、人工成本降低等。对垃圾图像进行垃圾分类,垃圾种类是固定的,比如可回收垃圾、厨余垃圾、有害垃圾等等。但是同一种垃圾的图像可能有很多种不同的状态,有完整的掉到地上的橘子,同时也有腐烂了一半的橘子等。往往在设计和训练网络模型时没有足够的样本来对网络模型进行训练,这就会造成模型训练不足以至于达不到我们最终想要的理想结果。传统的深度学习网络在图像识别领域中都会出现训练效果不稳定或者是图片识别精度不足等问题。本文针对上述问题提出了改进的基于条件生成对抗网络的图像识别方法。首先,我们在条件生成对抗网络的基础上,利用生成器加类别标签控制图像生成的优点,将生成器生成的图像作为训练数据,达到扩充数据集的目的。同时,在生成器和判别器中添加反卷积层和卷积层来优化网络模型,然后去掉全连接层来确保模型稳定性的提高。引入条件批量归一化,利用它能保留类别标签的优点,使网络模型学习到更多的图像特征。最后,改进判别器为分类器,并提出新的目标损失函数,模型收敛速度提升,并且能够提高一定程度的识别精度。