垃圾回收与重新处理,始终是人类社会一个不可忽略的问题。尤其是进入21世纪以来,人类生产力飞速提升的同时,垃圾数量迅速增长。妥善的处理垃圾,可以高效的利用资源,减少污染,甚至再次创造效益。而且垃圾处理工作环境一般比较恶劣,有时候运送来的垃圾中掺杂一些的玻璃废渣,废旧电池等,这会使垃圾分拣工作者有一定受伤的风险。因此,建立全自动的智能垃圾分拣系统就显得十分重要。本文设计了一套智能垃圾自动分拣系统,重点设计了图像识别和机械臂智能分拣子系统,其工作过程如下:将垃圾运送到传送带上,相机安置在传送带上方,通过相机进行垃圾图片拍摄,经过垃圾分类算法,对图片中的垃圾进行识别和定位,并将处理后的信息传给后面的机械臂进行抓取。这样可降低人工成本,提高工作效率。但是,此系统对垃圾分类算法提出了很高的要求,需要算法具有高识别率,快速性和鲁棒性。近年来,基于深度学习的物体检测算法如火如荼进行,目前已经有很多优秀的目标检测网络,但是应用在垃圾检测领域的却很少。因此,开展基于深度学习的垃圾分类算法研究,既有重要的理论意义和实用价值。本文首先调研了垃圾分拣领域的现状,尤其是当前垃圾分类算法和垃圾分拣装置在国内外的研究现状,阐述了垃圾分类算法的设计思路;研究了垃圾分类算法的数学基础与基本单元;介绍了神经网络的优化技术,从数据增强、Dropout技术和归一化数据输入三个方面阐述了如何防止过拟合,为之后垃圾分类算法的设计奠定基础。然后,研究了垃圾分类网络的设计过程。根据实际情况,设计了垃圾检测数据集;研究了经典的图像分类网络,并从中选取出分类性能最佳的网络作为baseline;针对分拣现场垃圾背景复杂、形态各异、特征提取困难的问题,引入了注意力模块来提高网络对于目标特征的抓取能力;设置了对比实验,研究了注意力模块对垃圾分类网络的影响,并设计出最终的HGCNet（Hit Garbage Classification Net）垃圾分类网络。其次,研究了垃圾检测追踪算法的设计过程。以第三章设计出的HGCNet作为主干特征提取网络;针对网络中深层特征层与浅层特征层的对于信息概括性的区别,使用了特征加强与特征金字塔等网络来对不同特征层之间进行融合,从而设计出特征提取网络;针对网络在训练过程前景和背景分布差距大,对类别损失函数进行了优化和设计;为了加快网络收敛速度,充分考虑了检测框与真实框的IOU关系、中心点距离、框的长宽比三个因素,对回归损失函数进行了设计;针对实际工作中系统对实时性的要求,使用迁移学习的思想,对网络进行了轻型化设计;考虑到实际垃圾抓取过程对垃圾目标有连续追踪的需求,研究了多Sort算法和Deep Sort算法,并对其进行了分析;将前面设计的垃圾检测网络作为检测器,设计出改进的Deep Sort算法作为最终的垃圾检测追踪算法。最后,对垃圾分类系统进行设计。调研了目前城市垃圾的基本类别,根据不同垃圾的特性设计了智能垃圾分类系统;重点介绍了图像识别和机械臂子系统,并详细介绍了硬件选型;对垃圾分类综合监控系统进行了设计,阐明了系统的设计思路、功能,并对每种工作模式进行了系统测试。