垃圾分类回收可实现垃圾资源化和再利用,在改善城市居住环境的同时节约大量资源,促进生产、消费和经济的可持续发展。目前,传统的垃圾分类技术效率低、准确率不高,缺乏智能化、自动化的识别方法,基于智能终端的图像识别技术为垃圾智能自动分类提供了可能。本文针对基于图像识别的垃圾分类中存在的数据样本有限、多目标垃圾识别存在局限性和复杂环境干扰识别等问题,通过构建垃圾图像数据集,开展基于卷积神经网络的垃圾识别与分类模型研究,为垃圾分类的自动化与智能化提供新的思路。具体研究内容包括:（1）基于迁移学习的垃圾图像分类模型研究。针对基于深度学习的垃圾图像分类模型训练中数据集较小问题,提出了一种将迁移学习与卷积神经网络相结合的方法。使用Dense Net169模型先在Image Net数据集上进行预训练,然后将模型参数迁移到本文构建的NWNU-TRASH垃圾图像数据集上进行参数微调,以提高模型的分类准确率。实验结果表明,该模型的分类准确率达到82.80%,明显高于其他经典的图像分类模型,且模型耗时最短,表明本文提出的模型比其他方法更适合应用在垃圾分类领域,因此,结合迁移学习和卷积神经网络对垃圾图像进行分类是有效的。（2）多尺度特征提取和特征融合的多目标垃圾识别模型研究。为了提高模型对小尺寸垃圾的识别能力,本文将YOLOv4用于垃圾分类并进行算法改进,在主干特征提取网络部分构建了一个多尺度特征提取模块,对垃圾图片使用不同大小的感受野来提取不同大小垃圾的特征信息;在特征金字塔部分加入了增强特征融合模块,使得低层最终获得的特征图蕴含原始和来自高层的双重语义信息,提高了模型对小尺寸垃圾的识别效果。实验结果表明,改进后的模型在所有垃圾种类上的m AP为94.41%,平均识别时间为0.370s,优于其他模型。并且废金属这类小尺寸垃圾的AP值达到了91.26%,比改进前的模型提升了5.29%。（3）基于注意力机制的多目标垃圾识别模型研究。针对复杂图像背景对于垃圾识别存在一定干扰的问题,提出一种在卷积神经网络模型中加入注意力机制的方法,以提高模型的检测精度。选取了基于无锚框（Anchor-Free）的Center Net网络作为基础的网络模型。模型的整个运行过程不依赖锚框,可以降低网络的计算量和模型的训练时间。本文将空间和通道混合的注意力机制CBAM模块加入到Center Net模型的三个不同的位置。实验结果表明,本文构建的模型的m AP值为94.64%,比不加注意力机制模块的初始模型提高了1.58%。加入注意力机制模块可以使网络专注于关键特征的提取,从而忽略背景信息的干扰,可以提高复杂背景下模型的识别精度。并且在网络不同位置加入注意力机制得到的垃圾识别精度也各不相同,在三个位置同时加入注意力机制时得到的识别精度最高。