随着科技进步,人们的生活质量越来越高,垃圾产量随之上升,垃圾分类处理成为亟待解决的一个问题。目前垃圾分类中可回收物分类方式为人工分拣,费时费力且效率低下,处理方式主要为填埋、焚烧,不仅浪费可回收资源且对环境造成严重污染。近几年,随着深度学习的发展,卷积神经网络在图像识别和分类上取得了显著的效果。因此,为了细化可回收物分类,论文主要研究了可回收物的识别分类方法,研究内容如下:（1）针对可回收物图像存在冗余信息和样本较少的情况,改进了图像裁剪方法。首先将采集到的可回收物图像与空白背景相减,根据相减结果确定可回收物的位置,裁剪去多余的背景信息,减少计算量。其次对可回收物图像进行水平翻转、随机裁剪、改变亮度,扩大可回收物数据集。实验结果表明,改进的图像裁剪方法准确率为99.6%,减小了80%的模型训练时间。（2）针对VGG16网络模型占用内存大,参数冗余的情况,研究了一种改进的模型剪枝方法。首先使用迁移学习的方法对可回收物图像识别分类,然后通过计算卷积层滤波器的权重之和,对其排序,删除权重之和较小的滤波器,使模型更加轻量化。实验结果表明,改进方法在保证识别准确率的前提下,模型占用内存减小了42%,参数数量减小了82%,降低了硬件要求,更易推广。（3）设计并搭建了可回收物自动识别分类系统,实验验证了本文研究方法的有效性。首先设计了物理架构,上位机采用笔记本电脑,下位机采用树莓派。考虑到可回收物的分类投放,设计了系统的推送、存储等机械部分,根据设计要求选择了电气设备,根据功能要求设计了软件程序部分完成可回收物识别。实验结果表明,可回收物自动识别分类系统的平均分类准确率为98.1%,可以较好的实现可回收物自动识别分类。