目前,随着智能信息化时代的到来,人工智能与传感技术取得了巨大进步,智能机器人的发展从传统的工业机器人逐渐转向服务机器人及教育娱乐机器人等。由于机器生产相比人工作业具有产量稳定、效率高及节省成本等巨大优势,机器取代人工的趋势愈加明显,而机器视觉是帮助机器人感知周围环境,提高机器人的灵活性、适应性及智能化水平的关键因素之一。因此,针对目前人工打菜分量分配不均,效率低下等诸多弊端,使用机器视觉技术研究一种菜品智能识别技术具有十分重要的意义。本文基于机器视觉技术,结合传统图像识别与深度学习图像识别,提出了一种菜品智能识别技术,可以代替人眼实现菜品的识别。系统采用了基于小波变换的改进Canny边缘检测算法进行餐盘的外围轮廓检测及中心点定位,有效解决了噪声干扰等引起的检测定位障碍,并通过相机标定建立了图像坐标系到世界坐标系的坐标系转换模型。针对食物图像特征复杂多变,人工设计特征鲁棒性不强导致传统图像处理技术难以识别的问题,应用深度卷积神经网络图像处理技术进行菜品的识别,在YOLOv3网络模型的基础上进行改进,去除了中小尺度的边界框检测,并使用批再标准化方法对数据进行处理,提高了在小批样本输入情况下训练的模型检测的速度与检测精度。结合使用传统图像处理技术,在深度网络模型识别结果的基础上,设计了菜品区域检测算法,完成了菜品区域检测任务。针对改进前的模型与改进后的模型,分别设计了多组对比试验,并分析了改进点对检测结果的影响,实验结果表明,改进后的模型检测速度提升了16.1%,可达34.51fps,检测精度可达96.05%,在实时性与准确率上均达到了系统要求。