随着人们健康意识的增强,菜品图像分类在人们的日常生活中的实用性以及普遍性不断增强。基于视觉的菜品图像分类技术不仅可以帮助人们快速认识不熟悉的食品,还可以用于营养成分分析和卡路里测量,不仅可以帮助类似糖尿病等患者控制由食物摄入的含糖量,也可以帮助健身爱好者控制卡路里和各类营养物质的摄入比例。目前菜品识别相关研究大多局限于西餐和日式菜品,在中餐领域研究不足;中餐共包含八大菜系,一次性获得所有的菜品并不现实,现有的批量模型并不能满足增量学习的需要。本文针对这两项关键任务,研究了一种基于增量学习算法的菜品图像分类模型。本文主要工作如下:1.本文提出了新的解决灾难性遗忘实现增量学习的方式,权重分解。融合了dropout和fine-tune这两个方法中减少神经元的依赖性和冻结的思想,本文设计了一种新的方法。本方法将每一层中权重参数分为两个部分,一部分是加入计算图的可优化参数,另一部分为不加入计算图的不可优化参数。在深度学习的训练过程当中,不加入计算图的参数依旧参与训练过程,但是由于不在计算图当中,不可优化参数无法参加反向传播,接收不到优化器的优化参数。这种通过控制部分参数的优化方向的方法可以增加稳定可塑性困境中的可塑性,也控制了模型的稳定性,减轻了灾难性遗忘的影响。2.本文结合残差结构以Res Net为基础融合了Dense Net中的特征重用的特点,融合多尺度特征实现了一种多尺度的细粒度图像分类的方法,提高模型对细粒度信息的利用,弥补了网络层数增加以后出现的信息丢失的缺点。我们将网络结构进行重排,来提高各个特征层之间的平衡,主要是为了提高底层位置信息的提取。通过语义嵌入的方法对各层的特征进行融合,首先将底层和中层进行融合,将融合结果送入下一层提取高层特征之后再进行加权融合,最后将不同尺寸的特征做特征插入融合操作,再送入分类层进行归类。为了验证本文所提方法的有效性,使用实验室从各个菜谱网站上爬取了一些菜品的图片共计80个类别,16万张图片,制作了一个小型的数据集CF80。经过Chinese Food Net预训练后,再迁移到CF80上进行学习微调,并进行增量性的菜品分类模型的训练测试。我们利用基础的MNIST数据集进行算法有效性的测试,测试表明我们的算法具有增量学习的效果,在最后一章中应用在菜品分类当中。实验结果表明我们的方法在菜品分类上具有细粒度增量学习的效果,具有减缓灾难性遗忘的作用。