随着计算机算力的提升,深度学习技术在目标检测领域得到了全面的应用,让目标检测技术的发展实现了飞跃,并应用到了文本检测、行人检测、自动驾驶等诸多领域中。但是,在生活垃圾目标检测领域还存在需要改进的问题:一方面在检测精度上还存在改进空间;另一方面由于生活垃圾目标检测领域的应用研究相对较少,导致生活垃圾数据集少且规模小,而生活垃圾自动分拣流水线上的目标检测构件对模型精度要求较高,需要较丰富的训练数据集进行模型训练,提高检测精度。针对以上问题,本文以YOLOv5模型为基础,做了以下研究改进工作。（1）针对生活垃圾目标检测精度不足的问题,本文提出了基于YOLOv5的自适应损失权重模型（YOLOv5 Adaptive Loss Weight Model,ALW-YOLOv5）,在原模型的基础上设计引入了3个新模块,分别是GT边界框ID生成器、GT边界框ID匹配器、自适应损失权重算法。GT边界框ID生成器在数据加载阶段负责给真实标注边界框生成全局唯一ID;GT边界框ID匹配器在模型计算损失时负责匹配预测边界框,达到分簇目的;自适应损失权重算法通过对位置损失与分类损失进行权重自适应调节,实现梯度激励效果,提升了检测精度。（2）针对生活垃圾数据集少且规模小的问题,本文提出了一种图片拆分再组合的数据增强方法（Disassembly-Mix Data Augmentation Method,DMDA）。该方法能够在现有数据集的基础上,通过标注信息从图片中拆分前景目标,再进一步对拆分所得前景目标实施遮挡、旋转等策略生成组合图片,并完成自动标注工作。本文将DMDA方法应用在华为生活垃圾目标检测数据集上,生成DMDA增强数据集,训练ALW-YOLOv5模型,进一步提升了该模型的检测精度,同时证明了DMDA方法对于生活垃圾识别精度提升的有效性。（3）对上述两个改进工作进行实验分析,验证ALW-YOLOv5模型和DMDA方法的有效性。使用ALW-YOLOv5模型在VOC2007标准数据集上进行实验,分析、验证了新的ALW-YOLOv5模型可有效提升目标检测m AP精度;进一步将ALW-YOLOv5模型应用到华为生活垃圾目标检测数据集,并通过DMDA方法对华为原始数据集进行增强,实验表明DMDA方法可进一步提升既有模型的目标检测精度。研究实践证明,ALW-YOLOv5与改进前相比,在VOC2007数据集上取得了m AP最高12.89%的相对提升;在华为生活垃圾目标检测数据集上,ALWYOLOv5+DMDA比ALW-YOLOv5模型取得了最高2.96%的增进提升。实验结果表明ALW-YOLOv5模型与DMDA数据增强方法能有效提升精度,且ALWYOLOv5+DMDA可有效强化ALW-YOLOv5目标检测能力。