随着社会的发展以及移动互联网的普及,人们对饮食方面的需求也在增大,加上信息领域和物流行业的迅速发展,人们能够接触到各种各样的食材。移动设备自动识别采购得来的食材,配合移动端的菜谱应用软件,就能生成各种美味食品的烹饪方法,对满足人们对美食的追求具有现实意义。但这也对食材识别模型和识别速度提出了更高的要求。近年来,深度学习广泛应用在目标检测中,但随着深度学习研究的深入,为了设计检测精度高的卷积神经网络,一般人们会把卷积神经网络设计得很复杂,层数很深。这些网络对计算机的硬件要求很高,识别速度很慢,难以应用在对实时性要求高的日常生活场景中。针对上述问题,本文从神经网络轻量化和提升网络的准确度方面进行研究。在神经网络轻量化方面,设计了轻量级神经网络Lm-YOLOv3（Lightmobilenetv2-YOLOv3）网络,该网络使用YOLOv3作为设计框架,参考YOLOv3-tiny对YOLOv3的结构进行简化,使网络保持多尺度预测的特性的同时,大大简化网络的冗余程度,使用深度可分离卷积代替传统卷积,借鉴Mobile Netv2中逆残差的结构,使卷积层能够提取各种维度的空间特征信息,增强网络的识别准确度,并且该网络的参数只有4.7M,检测速度比其他同类型网络快,实验结果表明在VOC2007数据集和食材数据集中的检测时间只占YOLOv3的三分之一,只占YOLOv3-Mobile Net三分之二。在提升网络的准确度方面,设计了一种基于聚类NMS（Non-Maximum Suppression）算法CWDNMS（Cluster Weighted Distance NMS）,能够针对Lm-YOLOv3网络检测准确度不足的缺点,提升该网络的检测精度。CWDNMS算法通过设计IOU矩阵的方式,对NMS抑制相邻边界框的算法进行并行化计算处理,提升算法的运行效率,并在此基础上,使用DNMS（DIOU NMS）算法和WNMS（Weighted NMS）算法改进NMS中IOU值的计算方式和置信度最高边界框的选取方式,提升Lm-YOLOv3的检测精度。最后,本文以微信小程序作为移动设备应用平台,把基于CWDNMS改进的轻量级神经网络Lm-YOLOv3运用在菜谱小程序中,在小程序中,用户能够通过拍照或选取照片的形式,通过互联网把需要检测的食材图片发送到低性能服务器端进行食材识别,服务器端把识别结果传输到小程序端,小程序根据结果为用户提供菜谱。基于CWDNMS改进的Lm-YOLOv3网络能够在短时间内对食材图片进行识别,识别准确率高达73.58%,能够满足用户对检测实时性和准确度的要求。