近年来我国对垃圾分类的管理和监督力度不断加强,但成效欠佳。目前城市的垃圾回收处理站多半依靠人工进行分类,但人工分类存在劳动强度大、监督任务重、分选效率低和工作环境差的问题,急需智能化、自动化的垃圾分类方法取代传统人工分类。同时现有的垃圾图像分类领域中,电子电气垃圾被人们忽略。本文围绕这些问题,建立一个针对电子电气垃圾的数据集,通过对现有深度学习模型的分析与创新,提出了两种基于深度学习的垃圾图像分类方法,在此基础上,设计开发了一种新型的智能垃圾分类装置。本文通过详细的实验对比和结果分析,证明了所提出的深度学习垃圾图像算法的先进性,所开发的智能垃圾分类装置能有效代替人工进行垃圾分类。本文的主要工作如下:（1）针对电子电气领域垃圾数据集缺乏的问题,建立数据集EEWD。选取了生活中常见的9种电子电气垃圾,使用网络爬虫和实地拍摄等方法进行数据集的采集,采集照片的背景既包含真实生活场景又涉及不同光照、单个和多个物体。该数据集包括电冰箱、电池、太阳能电池板、电路板、电视机、旧手机和平板电脑、空调、洗衣机和蓄电池9类共4032张RGB图像。（2）针对现实生活垃圾种类繁多且背景复杂、同类垃圾特征相似、图像内的物体有不同尺寸等问题,基于ResNet50残差网络,构建了一种高分类精度的垃圾图像分类模型GIC-ResNet50-EAnet,该模型通过利用空洞卷积变体Inception卷积和分组卷积的优势,在多个尺度上聚合感受野包含的信息并减少模型参数,并通过引入注意力机制和改进训练策略,在模型特征提取的过程中对空间和通道两方面的特征进行关注,在各个垃圾数据集上的大量实验表明,该方法在可接受的分类速度上精度达到96.81%。（3）针对大多数模型侧重于追求高分类精度,而忽略了模型复杂度和运算时间,导致无法在边缘设备和嵌入式设备上运行的问题,构建了一种轻量级垃圾图像分类模型CB＿Sk5＿SANet,该模型裁剪了ShuffleNetV2模型中多余的1×1卷积、增大了深度卷积的卷积核来减少模型参数和改善模型性能,在每个Stage后面嵌入一个Shuffle Attention单元,有效融合空间注意力和通道注意力来提高网络提取图像特征的性能,通过使用类平衡损失函数来解决垃圾分类任务中的数据长尾分布问题,在EEWD上达到98.02%的分类精度,对利用树莓派等嵌入式设备和边缘设备完成垃圾分类任务具有参考价值。（4）基于CB＿Sk5＿SANet轻量级垃圾分类算法,完成了智能垃圾分类装置的总体设计和基本功能模块的开发与制作,在实际现场环境中进行了实验验证,结果表明该装置能够基本满足日常生活的垃圾分类任务。