近年来人口数量大幅增长,人们生活节奏越来越快,使得日常生活用品的更新以及大量各种产品应需求出现,带来生活垃圾产量的迅速上升和垃圾组成成分的多样化。这种现状的出现极大增加了垃圾分类回收的复杂程度。本文基于不同种类常见可回收垃圾的材料特性差异会直接映射在光谱特性差异原理,研究通过高光谱成像技术获取垃圾光谱信息和空间信息,结合卷积神经网络分类方法实现可回收垃圾图谱数据的分类。在实验室光学暗室环境下搭建推扫式高光谱成像系统,以平均2.5nm的光谱分辨率采集纸、塑料、金属、玻璃、纺织品五类常见可回收垃圾样本在799.513~1000.99nm近红外波段范围内高光谱图像信息,避免同类别样本不同颜色信息对同种材料在可见光波段范围光谱吸收特性的影响。经反射率校正、去噪、图像背景分割等预处理实现样本高光谱图像的感兴趣区域图谱数据提取。通过主成分分析算法对五个类别样本提取的待分析图谱数据进行处理,提取特征空间L=[802.063,807.164,814.815,819.916,827.566,873.472,891.325,919.378,947.432,955.083,995.888]nm,并通过设计和优化支持向量机分类模型实现样本数据集分类准确率达到85%以上,表明特征空间下不同类别垃圾的光谱信息具有较好的类间差异性和类内相似性,可以代替原始图谱数据进行分类研究。文中最后随机提取样本感兴趣区域内像素邻域光谱重构为灰度图组成9450数量的数据库,并通过卷积神经网络算法分析设计了7层神经网络结构的CNN分类模型,选择随机梯度下降法结合周期衰减学习率的方法对CNN分类模型每层权重参数进行更新和优化得到分类准确率大于92%的神经网络。验证了高光谱成像技术进行可回收垃圾快速分类的科学性以及可行性,对未来高光谱成像技术智能化解决垃圾分类问题提供一定理论基础和实践指导。