随着生活水平的提高,人均垃圾产生量持续增长,为了适应城市垃圾消纳能力的提升,垃圾处理体系的整体水平亟需提高。基于卷积神经网络的图像智能识别技术可根据优化目标学习图像特征,十分适合处理大规模种类复杂的图片,有望成为垃圾处理体系中重要的检测手段。考虑到目前垃圾分类及分选技术所存在的局限及垃圾处理流程的系统性,引入新技术并将其纳入整个垃圾处理体系考察具有重要意义。本文首先介绍图像智能识别技术及垃圾处理体系的特点,然后立足于垃圾处理体系各个环节,分析并得到图像智能识别技术应用的具体实现手段:主要采用图像分类技术实现源头垃圾智能分类,采用目标检测技术实现垃圾自动分选及垃圾智能监测。基于卷积神经网络的目标检测算法在训练后可对多类复杂目标实现精确识别及定位,适应性更强,可有效弥补现有垃圾分类、分选技术的不足。然而,目前目标检测技术在垃圾处理中的研究不充分,存在数据集质量不高、与垃圾处理特性结合不足及算法泛化性能研究不足等典型问题。因此,本文实验部分自建垃圾数据集并全面研究一种典型的目标检测算法-Faster RCNN在垃圾检测上的应用,使用三种具有显著差异的主干网络VGG-16,Res101,Mobile Net＿v1对比分析。实验采集了6种典型的可回收垃圾与有害垃圾图片,共6076张,开发半自动标注方法制作目标数据集,有效降低了数据集标注工作量。采用数据增强方法扩充目标数量及尺度多样性,显著了提高数据集均衡性,利于算法训练及测试;提出结合特异层微调的端到端训练策略训练网络,兼顾了训练精度与速度,并提取低识别率样本做增强训练,由此获得不低于92.85%的识别均值平均精度（mean Average Precision,m AP）。随后,对误识别样本中存在的三种典型错误进行定位与优化,将算法最高m AP提高到99.23%;分析并得到算法最优概率阈值的设置方法,提升检测过程中可回收垃圾的精度指标及有害垃圾的召回率指标。另外,设计了一个含816张图片的背景数据集测试算法在多变背景下的泛化性能,发现复杂垃圾背景对检测精度影响最大,且泛化性能Res101>VGG-16>Mobile Net＿v1。最后,完成图像智能分选系统整体流程的设计。