伴随人类社会的持续发展,物质水平逐步提升,垃圾产量也在逐年扩大,如何适当地处理垃圾已然成为一个全球性问题。现阶段,垃圾处理通常采取填埋或焚烧的方法,前者可能会将垃圾中的有用成分一同填埋,造成资源浪费,后者还会造成环境污染。因此,垃圾分类意义重大,有利于资源的回收利用。目前的垃圾分类仍依靠大量人力手动分类,工作效率低下,分类速度慢,无法及时处理海量垃圾。本文以回收有用资源为目标,利用机器视觉技术和人工智能技术对垃圾种类进行识别,结合自动化技术,从而实现对垃圾的自动分类。主要工作如下:（1）基于局部特征点的垃圾图像识别方法研究。首先使用ORB（Oriented Fast and Rotated Brief）算法提取局部特征点,采用区域划分和自适应阈值的方法,有效解决特征点大量重叠问题,其次对特征点作聚类,生成视觉词袋模型,然后利用视觉词袋模型给每幅图像编码,最后将图像编码和标签输入支持向量机中训练,找到用于区分数据的支持向量。在华为垃圾分类数据集中挑选了部分数据进行仿真实验,并与SIFT（Scale Invariant Feature Transform）、SURF（Speed Up Robust Features）、FREAK（Fast Retina Keypoint）、AKAZE（Accelerated KAZE）和 ORB 算法进行了对比。该方法占用硬件设备的存储空间小,识别速度快,但垃圾识别准确率较低,而且可识别种类少,适用于识别速度要求高,垃圾形状变化少,硬件设备成本控制严格的场合中。（2）基于深度学习的垃圾图像识别方法研究。采用深度学习方法对垃圾图像进行识别,解决了某些垃圾图像复杂,形状颜色多变的问题。采用了一种轻量多注意力模块,与MobileNetV3相结合,在不增加参数量的同时,提高了准确率。在华为垃圾分类数据集中进行训练和测试,并与SE（Squeeze-and-Excitation）模块、CBAM（Convolutional Block Attention Module）模块、ECA（Efficient Channel Attention）模块进行对比实验,以证明改进模型有效性。该方法识别准确率高,识别垃圾种类多,但是耗时长,网络模型占用的硬件存储空间较大,适用于垃圾识别准确率要求高,但耗时可以略长且硬件成本控制较为宽松的场合中。（3）垃圾分类实验系统设计。针对路边、楼道等场景中垃圾分类难的问题,设计并搭建了一套垃圾分类实验装置,详细说明了系统的硬件组成和软件流程。搭建完实物系统后,首先在系统上采集了各类垃圾的图像,构建了自己的图像数据集,用于模型的训练。然后对系统进行了测试,从结果可以看得出,该垃圾分类系统可以根据摄像头获取的图像,自动识别垃圾种类,并将其投放到正确的垃圾桶中,也可将垃圾图像传送到上位机平台,继续训练识别模型。