随着社会生活水平的提高,生活垃圾的产出量与日俱增,垃圾处理的重要性和难度也在提高。提升垃圾的分类处理效率对于资源最大化和保护环境具有重要意义,不过在生活垃圾分类回收中,分类标准目前对于大众而言过于复杂。而垃圾图像检测和分类技术可以帮助居民快速掌握家中日常生活垃圾的分类,但是目前基于图像的垃圾检测分类方法存在检测速度慢、准确率低的问题。本文对国内外基于图像的垃圾分类问题进行了分析,针对国内日常生活垃圾分类困难的问题展开了研究,并提出基于深度学习的移动端检测和服务端分类方法。主要研究工作如下:在基于移动端的垃圾图像采集过程中,针对在自然环境下干扰因素多,导致图像中垃圾目标识别准确率较低和检测速度慢的问题,而普通交并比无法准确衡量边界框之间的距离关系,因此本文提出了一种紧密交并比的衡量方法。紧密交并比把边界框中心点距离作为惩罚项加入衡量计算从而提升检测准确率。同时,本文基于特征融合设计了一个垃圾检测网络并在特征融合中加入过参数化卷积从而提升检测速度。通过实验证明了紧密交并比相比其他交并比取得更高的检测准确率,本文提出的垃圾检测网络能够取得更快的检测速度。在移动端到服务端中的垃圾图像压缩传输过程中,针对传统图像压缩方法的质量感知指标不足的问题,本文提出了一种基于生成对抗网络的图像压缩方法,主要包括改进图像压缩失真值的衡量和一种归一化方法。实验中,本文在CLIC2020等数据集上进行了不同压缩方法的压缩质量对比,结果显示本方法能取得相对更高的压缩效果。在垃圾图像分类过程中,针对传统垃圾图像分类中精度较低和忽略垃圾层次式类别关系的问题,本文提出了一种基于复合缩放网络的多任务层次式分类网络,不同于独立并行的垃圾分类方法,多任务层次式分类网络实现了垃圾图像特征的共享,并且考虑层次类别之间的相互影响。实验结果显示本文提出的垃圾图像分类网络能够比其他方法取得更高的垃圾分类准确率,最高分类精度达97.56%。