生活垃圾是放错了地方的资源,有效的垃圾分类策略不仅可以起到保护环境的作用,而且还能实现垃圾的回收再利用,具有很高的经济效益。我国的垃圾处理厂对垃圾的分类处理目前还处于手工分拣阶段,这不仅造成工人的劳动量大、分拣效率低等问题,而且还会出现垃圾错分等现象。近年来,随着深度学习技术的不断发展,有效地提升了目标检测与识别的精度,并且深度学习具有自主学习的能力。因此,本文提出了一种基于改进YOLOv3（You Only Look once）的垃圾分类检测模型。本文的研究内容如下:（1）针对垃圾分类检测数据集较为单一、复杂场景下算法鲁棒性不足的问题,本文对垃圾分类检测数据集采用尺度归一化、数据增强等策略,扩充数据集;（2）针对Darknet53网络模型的分类和定位误差较大的问题,本文研究在网络的最后一组残差块之后增加一组残差模块,进行特征融合,使改进后的网络可以生成4种不同尺度的特征图,以此来检测图像中不同尺度的目标。另外,由于YOLOv3的预测框生成方法K-means聚类算法的结果不稳定,本文采用更先进的K-means++聚类算法生成预测框;（3）针对垃圾分类检测数据集中垃圾尺寸小、分布稠密等现象,本文研究采用了距离IoU（Distance IoU,DIoU）loss作为预测框回归的损失函数,综合考虑真实框和预测框之间的距离和重叠度等。在预测框筛选阶段,使用DIoU-NMS技术,降低两个不同物体的预测框的置信度,减少漏检情况的发生,提高了模型的检测精度。实验结果表明,本文的改进算法取得了93.14%的m AP,检测速度为45.76fps,验证了检测模型的有效性。