垃圾分类回收是资源循环再生链条中重要的一环,传统的人工分类方法效率低,而基于神经网络模型的图像识别技术是实现智能化分类回收的重要策略,具有准确度高、泛化性能好等优点.针对生活垃圾场景的多样性以及垃圾图像数据集缺乏的问题,该文在基于单一背景和复杂背景两种不同垃圾图像场景下,提出一种基于预训练ResNeXt101模型进行迁移学习的方法.利用大规模ImageNet图像数据集训练模型参数,并将参数迁移到垃圾图像数据分类模型中进行训练,解决缺乏大规模标注数据的垃圾图像数据集的分类问题,实现玻璃和纸类等4种可回收物的分类识别以及厨余垃圾中杂质的检测.实验结果表明,利用该模型在真实背景下的垃圾图像分类准确率可以达到87.42％,单一背景下分类准确率达到96.19％,实现了高精度的可回收物识别分类以及厨余垃圾中高效的杂质检测,同时有效提升了模型训练速度.