伴随现代科技的快速发展,人工智能和人们的日常生活已经形成密切联系。衣食住行是人类的日常生活构成,其中尤以饮食是不可或缺的部分,因此在人工智能领域很多与饮食相关的研究开始变得热门。由于食物识别是其它与食物相关研究工作的前置基础,此课题是目前一个备受关注的研究领域。但现今大多数的食物识别技术研究都是针对外国食物和菜系,很少有涉及到中餐的识别技术研究。因此,本文研究的是一种针对中餐主食种类识别的图像识别技术,旨在将中餐主食识别技术应用于人们的日常生活。本文提出了一种基于卷积神经网络的中餐主食图像识别研究方法。针对数据中可能存在的干扰提出了一种自适应阈值的边缘检测方法对数据进行了处理,在调整的神经网络模型中完成训练,并将训练得到的新模型通过转换应用于中餐主食识别手机应用的开发。主要包含以下工作:（1）首先建立了中餐主食识别数据集,在此基础上针对数据集中各类数据量分布的差距进行了数据集增强,通过对原数据图像使用翻转、调节亮度等方式使各类的数据量达到近似均衡,增大了数据集规模,同时提升数据集的质量也是对训练模型识别能力的提升;（2）由于实际数据采集的多样性和不确定性,为防止输入中包含的背景干扰对神经网络的训练产生影响,提出了一种改进的自适应阈值检测方法对数据集进行处理。该方法很大程度上消除了背景干扰,提高了模型对中餐主食种类识别的泛化能力与准确度;（3）出于对所使用的数据集规模以及实际实验条件的考虑,为了追求更高的实验效率,采用参数量相对较少的Inception V3模型完成主食识别任务,通过修改网络结构使其适用于本文的中餐主食识别任务。调节网络模型在构建的数据集上进行了实验,获得了较为满意的识别准确率,验证了自适应阈值边缘检测方法在本数据集上的可行性;（4）使用训练得到的模型进行量化转换得到适用于移动平台的模型,并于移动平台进行了中餐主食识别应用的开发,对应用测试进行了测试,得到了满意的效果。