在我们的生活中绝大多数食物和物品的包装都使用的是塑料制品,例如几乎所有的出售饮品都是使用的塑料瓶,大量的塑料瓶在给我们带来便捷的同时也造成了白色污染,而对塑料瓶的回收处理可以大大减少其对环境的破坏,但是目前垃圾的回收处理工作主要是人工完成,由于人工数量不足无法及时回收分类大批量废旧塑料瓶,而传统的机器视觉算法对外形复杂多样的废旧塑料瓶的识别精度不太理想,为了提升了塑料瓶回收处理效率和分类精度,本文提出了基于Faster R-CNN的回收塑料瓶高精度图像分类算法。本文针对回收塑料瓶数据分布不均而导致的分类精度较低问题,提出了将深度学习中目标检测Faster R-CNN和分类算法Res Net模型联合预测的方法,从而解决了单一目标检测模型面对类别不均衡情况准确率无法达到回收要求的问题。同时针对目标检测中塑料瓶堆叠导致漏检的问题,采用Soft NMS（柔性非极大值抑制）的方法提升了对重叠塑料瓶的检测精度。进一步采用OHEM算法,算法提出利用两个相同Ro I网络筛选出困难负样本,平衡了Faster R-CNN在训练过程中的困难样本和简单样本之间的类别不均衡问题,通过第一个负责前向传播的ROI检测头,滤除掉损失值较小的简单样本。同时为了进一步提升Faster R-CNN模型的检测精度,采用加入了预测和真值矩形框比例关系的CIo U损失函数,提升了预测框的回归精度。针对回收塑料瓶颜色分类数据集中某些类别样本太少而导致模型无法学习到足够多样本特征影响分类精度无法提升的问题,利用Py Qt开发了图像扩充软件补充了数据量过少类别的图像,缩小了数据不均衡的差距,同时在训练过程中采用权重采样方法设置每个类别的样本的采样概率,使得每个batch的图像数据可以采样到所有类别的样本,进一步改善样本不均衡的问题,使得分类器精度得到进一步提升。最后对提出算法改进方法的进行实验验证,通过对不同改进方法得到的算法模型的预测结果的分析,得到最优的改进策略。并对模型进行联合测试,对模型的精度和速度进行了测试,该方法满足回收的分类精度和速度要求。最后提出了利用flask框架将算法部署到web端,用于实际预测结果的可视化。