近年来,随着中国城市化进程的快速推进,城市中的垃圾数量也在与日俱增,如何有效的处理这些垃圾成为了一个棘手的问题。而从环境保护和绿色发展的角度来看,有害垃圾的处理应当成为大众关注的焦点,尽管它在生活垃圾中的占比为最小。目前,鉴于深度学习算法与计算机视觉技术在多个领域都有结合应用的案例,因此,论文针对以家庭为单位进行有害垃圾的识别与分类工作进行了研究,并使用文中所提到的方法进行以安卓手机设备为平台的落地测试,其主要的研究工作分别如下:（1）通过理论研究,以深度学习算法为主要理论,研究和分析了常见的图像分类模型和目标检测算法,并选定了YOLOv4算法作为论文的轻量化改进目标。针对其参数过多、推理时间较长以及难以部署的问题,论文从两个方面对其进行了改进。第一个方面是替换了主干特征提取网络,采用带有深度可分离卷积、SE轻量化注意力机制和简化激活函数特性的Mobile Net V3替换原有CSPDark Net-53,这使得网络的权重大小缩小到只有原来的21.96%。而第二个方面的改进则是使用Focal loss替换置信度损失函数中的二元交叉熵误差,以期望能提升因模型参数量减少而损失的部分检测精度。（2）根据国家标准GB/T 19095-2019中关于有害垃圾的定义,论文筛选出了华为云和阿里云天池垃圾分类大赛中的部分有害垃圾作为原始数据集,在此基础上还补充了其他类型的有害垃圾,并对它们做数据增强,以扩充数据集样本。最后,在相同的实验条件下,对YOLOv4,YOLOv4-tiny以及论文所提的方法进行实验对比,实验结果表明论文所提方法的推理时间-检测精度关系在三者中做到了较好的平衡,即此方法的推理速度低于YOLOv4-tiny,但高于YOLOv4,同时其检测精度与YOLOv4相差无几,并高于YOLOv4-tiny。（3）针对研究成果落地的问题,论文设计并实现了一个基于安卓手机平台的测试程序,该测试程序结合了opencv和NCNN框架,并具有视频识别和图片识别两大功能。在此条件下,经过对YOLOv4-tiny和论文所提方法的测试对比,表明在家庭场景和其他无严格要求实时性的场景下,论文所提方法能够完成稳定且准确的识别与分类工作,具有一定的深度开发价值和应用参考性。综上,在相同实验条件下,通过一系列的实验对比与评估,证明了论文所提的轻量化改进方法具备良好的平衡性,同时结合移动端设备的落地测试也表明了当此方法的模型部署在算力不高的平台上时,其实际检测效果也能满足大部分需求。