随着我国经济的迅速发展,人民生活水平日益提高,如何处理生活垃圾成为了重点研究课题。因此,国家针对生活垃圾分类回收出台了相关的法律规章制度。目前,已有部分城市制定了生活垃圾管理条例,为市民提供分类投放指引。为了促进传统垃圾收集处置方式的改革,协助垃圾分类管理工作,提高分拣效率,本文研究了基于深度学习的目标检测相关算法,应用于垃圾分类识别,旨在让垃圾分类管理走向智能化。根据国家现阶段出台的政策,本文以可回收物、厨余垃圾、有害垃圾和其他垃圾为分类标准,搜集了40种不同类别的生活垃圾的图片作为数据集,为了解决类别不平衡的问题,采用了图像增强的方法扩充数据样本,减小了类别之间的数量差距。本文以Faster R-CNN为算法基础,针对其在小目标对象识别效果不佳的问题,改进了特征提取网络VGG-16的结构。由于卷积神经网络中位于低层的卷积层生成的特征图具有更高的分辨率,提取的主要是图像的边缘、纹理和颜色等信息,更有助于检测图片中的小目标对象,而高层卷积层具有更大的感受野,提取的特征会更加抽象,利于检测图像中的大目标物体。因此,本文利用这一特性,通过融合低层特征图的方式来提高算法对小目标对象的识别精确度。另外,在RPN网络中,通过多尺寸卷积核来增强网络对不同尺寸目标对象识别的泛化性,同时,根据垃圾分类数据集的特点,设计了相应anchor boxes的尺寸和规模,使得最终的目标检测框的位置更加精确。相较于Faster R-CNN,改进后的算法在测试集上的m AP有了一定的提升,而检测速度没有明显下降。