作为地球的一员,在享受大自然带来福报的同时,更应当学会对大自然的保护,促进自然资源的可持续发展。生活垃圾的处理与环境保护息息相关,作为城市的居民,应当做好生活垃圾分类,为环境保护贡献一份力量。但随着生活垃圾种类不断增多,不同城市生活垃圾分类标准存在差异,这成为目前生活垃圾分类最大的困扰。本文在此背景下,为生活垃圾分类建立深度学习模型,并不断对模型进行改进和优化,最后将模型部署在移动设备上,帮助人们解决生活垃圾分类问题。首先,构建了模型的性能评价指标,包含了四项性能指标:准确率、参数量、计算量和推理时间。同时建立了生活垃圾分类的数据集,本文建立数据集的标准参考广州生活垃圾分类政策,将生活垃圾分为四大类和三十小类,包含了日常生活中常见的垃圾。其次,以四项性能指标为基础,对比了不同模型在生活垃圾分类任务中的性能,选择出GhostNet网络作为本文的基础网络。为进一步提高GhostNet网络的性能,通过对比不同的迁移学习、损失函数和优化算法,选择出适合GhostNet网络的训练策略。在此基础上,对GhostNet网络进行结构的改进,通过引入CBAM,在其他性能几乎不变的前提下,提高了模型的准确率。然后,在对GhostNet网络进行结构改进后,选择GhostNet＿CBAM＿V2网络进行进一步的优化。通过分析,发现GhostNet＿CBAM＿V2网络最后的全连接层存在大量参数,占据整个网络的31.3%。针对这一情况,提出相应的压缩策略,改变不同的压缩系数来对网络进行压缩,通过对比实验,验证了网络最后的全连接层中存在大量参数冗余。最终选择了GhostNet＿CBAM＿V2＿80压缩网络,在其他性能几乎不变的前提下,网络参数量仅为原来的71.1%。接着,在模型确定了之后,分别设计了两种不同方式的App,将网络部署在移动设备上。本文设计的App兼容的是Android操作系统,分别为拍照方式和视频方式,满足不同用户的使用习惯。在不同Android的设备和版本上对App进行测试,验证其具有很好的兼容性。最后,总结了本文的研究内容并进行了展望。