随着经济的发展与人们生活水平的提高,人们在日常生活中产生了大量的垃圾。海量的垃圾如果没有经过有效的处理,将会严重污染到人们生活的居住环境。长此以往,生活环境里存在的有害物质将对人们的身体健康造成致命的威胁。处理生活垃圾前所需要采取的必要步骤是对垃圾进行分类,垃圾的分类目前主要依靠垃圾厂工作人员对其进行分拣。当前在国家政策的引导下,居民需在家将垃圾进行归类后再丢入对应的垃圾桶,从而使得垃圾在运往垃圾厂前可以得到有效的分类,减轻了垃圾处理厂的压力。由于大多数居民用户无法对复杂多样的垃圾进行有效分类,生活垃圾分类预测将有助于居民对生活中的垃圾进行分类投放,促使居民积极响应国家政策的号召,降低处理垃圾污染的控制难度以及提高可回收物的利用率。本文针对生活垃圾分类预测问题,在深度学习及其他相关技术的基础上,针对垃圾分类问题的特点,设计了基于卷积神经网络的生活垃圾分类系统。本文的主要工作包括:1.数据的预处理,通过对原始数据集中样本类别分布的分析,发现原始数据集中存在类别多、样本量少等问题,使用了数据增强和等比例缩放,使得模型可得到多样性和完整性的数据。2.分类模型的选择与调优,通过对比实验从常用的图像分类模型中挑选出三个分类模型进行调优,挑选的模型分别为Res Net50、Efficient Net-b5以及Inception-v3。根据生活垃圾分类数据集里存在的各个类别里样本数量分布不均衡的现象,使用Focal Loss损失函数缓解了该现象产生的影响并提升了模型性能。针对数据集在模型训练时出现的过拟合现象,采用防止过拟合中的标签平滑技术,提升了模型的准确率。3.模型融合,基于调优后的Res Net 50、Efficient Net-b5以及Inception-v3三种模型采用Voting方式进行融合,从而构建了融合模型,其模型的准确率为93.12%。4.设计和实现生活垃圾分类预测系统,根据不同的使用对象分别对其进行了需求分析;为保证系统可安全稳定的运行,对生活垃圾分类预测系统进行了架构设计以及数据库设计;最后,使用Python+Django框架的形式,构建了生活垃圾分类预测系统,以微信小程序的形式呈现给居民用户,以Web页面的形式呈现给管理员。通过现场实验,验证了生活垃圾分类预测系统的有效性,能基本满足实际需求。