近年来生活垃圾的剧增已经对我们的生活产生了巨大影响,垃圾分类工作的推行势在必行。目前垃圾分类工作主要分为三阶段:分类投放、运输和处理。投放和处理阶段目前主要依靠人工,存在分类困难和效率低的问题。然而,目前的智能垃圾分类应用较少,国内缺乏在智能垃圾分类方面的研究。本文将深度学习技术与生活垃圾分类问题相结合,通过卷积神经网络实现对图像中垃圾的检测与分类,可以实现智能垃圾分类和智能垃圾分拣,辅助居民分类,解放劳动力。具体的研究内容包括:（1）构建单目标垃圾分类数据集（Domestic Garbage Classification Dataset,DCD）和多目标垃圾检测数据集（Domestic Garbage Dataset,DGD）,数据来源为华为云垃圾数据集、TACO数据集和网络爬虫。对爬取到的数据进行数据清洗筛选出高质量图片,并通过Label Img进行标注。同时为了保证数据的准确性,对现有数据集的标注信息进行检查,清理出漏标、错标的数据并重新标注,得到包含34319张图片的DGD数据集和24390张图片的DCD数据集。为了避免模型过拟合,对数据集进行了随机裁剪,水平、垂直翻转以及色彩抖动等数据增强操作,为本文研究提供了数据基础。（2）提出了一种基于改进Reg Net的垃圾分类算法NReg Net,用于单目标垃圾图像的分类。在该垃圾分类模型中,对Reg Net的网络结构进行优化,减少网络模型参数量。结合类别平衡损失函数,通过反向加权解决不同类别间数据分布差异大的问题。采用高分辨率的输入,以减弱特征提取阶段的背景干扰,提高对小物体的分类能力,同时采用数据增强操作提升网络模型的鲁棒性以及泛化性。在生活垃圾分类数据集DCD上进行实验分析,提出的NReg Net模型Top1-accuracy达到85.64%,比Reg Net提高了3.25%,且参数量仅为1.37M,约为Reg Net参数量的51.11%。（3）提出了一种基于改进YOLOv3的生活垃圾检测算法RB-YOLO,用于多目标垃圾图像的检测,即同时实现垃圾分类与定位。在该垃圾检测模型中,将YOLOv3与轻量级卷积神经网络Rep VGG相结合,解耦模型训练和推理,在保证特征提取能力的同时提高模型推理速度。采用加权双向特征金字塔网络Bi FPN优化原有的特征金字塔结构,通过双向特征融合充分利用多尺度语义特征。同时引入空洞空间金字塔池化ASPP增强特征提取,获取多尺度特征信息。最后,对数据进行数据增强操作。在提出的DGD数据集上进行实验分析,与YOLOv3模型相比,RB-YOLO模型在垃圾检测任务中精度提升了5.31%,速度提升了16FPS,参数量减少了41%,验证了RB-YOLO的有效性和鲁棒性。