餐饮行业是国民经济支柱产业之一,而餐饮食材收货是餐饮质量控制和食品安全监测的关键一环,如何对餐饮食材进行快速分类和精准检测是其中的核心和关键问题。传统食材采购停留在电话、短信、微信等方式,沟通效率低且易出错,以往对食材原材料进行基于文本分类的标签分类方式已不能满足日益增长的业务需求,如何对食材图像实现快速高效地分类成为亟待解决的难题之一。基于卷积神经网络的图像分类作为一种新型的图像分类方法,其利用不同层次的底层特征组合产生高层图片特征的特点,能很好地与人类视觉原理相契合。通过对模型不断迭代来更好的对图像特征进行提取,可得到相比于传统图像分类方式更为精确的分类准确率及更高效的识别速度,对图像分类具有十分重要的意义。首先,本文以餐厅食材图像分类为研究背景,在分析总结传统图像分类方法的基础上,对基于卷积神经网络的食材图像分类进行了研究。与传统图像分类方法相比,基于卷积神经网络的图像分类通过利用不同层次的底层特征组合产生高层图片特征,然后对模型不断的迭代,能够提取图片更多的有效特征。因此本文提出将卷积神经网络应用于食材图像分类。同时利用引入dropout策略和ReLU激活函数来防止过拟合现象和梯度消失问题的产生,然后通过将AlexNet、VGG-16、CaffeNet卷积网络应用在食材图像分类,并对网络结构超级参数进行调优,使图像得到高达90%的分类准确率和低达140ms的识别时间。其次,针对预处理阶段传统的人工清洗方式需要花费大量的人力、物力和时间成本,并且清洗过程本身很容易因人为因素产生错误的问题,本文提出一种多任务自动清洗卷积神经网络模型,该方法通过将数据清洗模型和图像分类模型合并为双任务模型,对模型进行训练,实现数据的自动清洗并进行分类,有效地解决了预处理阶段数据清洗的难题。最后,通过将多任务自动清洗卷积神经网络模型与单任务卷积网络进行对比,证明该方法在保证较高精确度的同时,能自动完成图像的清洗工作。