近年来,随着社会的发展和人们对健康生活理念的提升,健康饮食在我们生活中越来越加以重视。此外,肥胖和超重已经成为一个全球性的公共卫生问题,并导致了糖尿病、心血管等慢性疾病的并发。这些慢性病患者后续的慢病控制及治疗往往需要通过规范的饮食进行干预。但是目前医院对慢病患者的饮食跟进方式一般多为问卷调查和日志汇报,这种干预方法不但繁琐,而且也不准确,弊端显著。随着移动互联网和计算机视觉技术的发展,使得用来解决慢病患者饮食干预以及其它与饮食相关的移动应用需求不断增长。针对上述已存在的现象,同时为了配合本课题组的大健康管理系统和脂肪肝干预模块的实际应用。本文经过对目前成熟的分类算法进行研究对比和神经网络在移动互联网中的应用搭建技术的分析,完成了食物识别模型的训练,并实现了其Web应用的部署和移动应用的试用开发。本文研究可以进行高度的封装移植,为其它模块或相关移动应用开发提供了直接的食物识别接口。本文的研究内容和成果主要如下:（1）本文在Food-101Dataset和food-172的数据基础上,首先对数据进行扩增、清洗等处理并对标签重新标定,建立了中餐、快餐、西餐、日料等在内的包含262类的食物数据集。接着本文使用Resnet-34网络进行迁移模型搭建,使用自适应学习率优化算法对模型参数进行优化、对输出层神经元进行微调后训练模型,得到食物识别模型准确率达到79.04%。随后对所得模型进行网络推理和性能评估,并与Alex Net、VGG网络进行对比实验,比较本文所得模型的分类效果。（2）将训练所得模型作为Web应用的输入,使用Flask服务框架进行应用的搭建和功能实现,将建好的本地仓库部署的部分打包做成Docker的镜像,接着系统根据镜像做成容器,后续再将容器部署到Heroku服务器上,完成了Web应用的部署。同时对其应用所设计的各个模块进行功能测试和性能测试,以便为移动端应用提供相应的接口服务。（3）根据前期的食物识别模型和Web应用的研究,对本文工作在移动互联网下应用的需求进行分析后将Web应用封装为API接口调用,并在基于Android操作系统设计实现了一款移动应用demo,来对本文所前期工作的可行性进行测试,同时使用自然数据集对Web应用和移动端应用进行实例测试,验证本文研究工作中识别模型和Web应用接口的可行性和实用性,初步实现了移动接口的应用。