随着人们生活方式的极大改善,垃圾处理问题变得日趋严峻。城市每天都在产生着巨量的生产或生活垃圾,大多数垃圾通过掩埋、燃烧、堆肥等无害化方式进行处置,但是仍有相当多的生产或生活垃圾,特别是生活垃圾没有得到科学合理的处理,随意丢弃,造成对土壤、空气和水资源等周围环境不同程度的污染。为了有效缓解此问题,垃圾分类是其关键处理环节,它可以显著降低垃圾处理成本,提高垃圾循环再利用价值,使之物尽其用。但是由于生活垃圾种类庞杂,许多人并不清楚垃圾的准确类别,造成了一定的乱投放行为,增加了垃圾处理的成本。近年来卷积神经网络技术趋近于成熟,广泛应用在计算机视觉特别是图像分类领域,取得了众多成果。其中MobileNetV2网络模型是为便携式设备设计的轻量型卷积神经网络,该网络使用深度可分离卷积结构,并引入了逆向残差结构和线性瓶颈单元,大幅度降低了模型训练的计算量和尺寸。基于上述背景,本文提出了基于迁移学习的垃圾分类方法,并设计、开发了基于迁移学习的移动端垃圾分类软件,旨在从源头上辅助解决垃圾投放错误的问题。针对垃圾图片种类繁多、样本数量相对不足的特点,本文基于预训练模型MobileNetV2网络,应用迁移学习方法进行垃圾图片分类。预训练模型MobileNetV2在大型数据集ImageNet上进行充分训练,因而具有优异的特征提取与分类能力,将模型在ImageNet数据上提取的特征映射迁移到新的目标任务中,节约了重新训练模型的时间。这种基于模型的迁移学习方法不但可以很好地解决样本数量不足的问题,而且由于从预训练模型中可以提取到更多的权重系数,也使得分类准确率得以改善。最后利用训练好的MobileNetV2垃圾分类模型,开发了基于迁移学习的移动端垃圾分类软件,将模型嵌入到Android软件中,辅助和提升人们日常生活中的垃圾分类准确性。本文结合垃圾图片数据的特点,在深入研究迁移学习和卷积神经网络理论与技术的基础上,分析、设计、开发了基于MobileNetV2网络的模型迁移学习垃圾图片分类系统,主要包括以下内容:1.根据迁移学习和卷积神经网络的研究进展,梳理出迁移学习在卷积神经网络模型上实现的工程方法与技术。2.对基于迁移学习方法的预训练模型三种策略进行研究,给出了基于微调的迁移学习用于垃圾分类的解决方法。3.针对VGG16、ResNet50和MobileNetV2卷积神经网络模型进行图像分类实验对比,从多个角度综合考虑选出适合便携式设备的轻量型MobileNetV2模型,并通过在ImageNet数据集上的预训练模型微调垃圾分类任务获得了较高的分类准确率。4.开发了基于迁移学习的移动端垃圾分类软件。对移动端垃圾分类软件进行了详细的可行性分析和需求分析,将训练好的MobileNetV2垃圾分类模型加载到Android平台中,采用Java语言开发了一款基于迁移学习的移动端垃圾分类软件。该软件提供了拍照、相册以及垃圾识别分类等主要功能。