随着生活水平的提高,人们越来越关注饮食的营养均衡问题。通过机器视觉技术从食物图片中识别食物种类,并判断食物的营养成分成为了一种经济且方便的方法。亚洲食物以种类多、口味独特等深受亚洲地区甚至全世界人们的喜爱。然而,由于亚洲各个国家的饮食习惯以及对食材的烹饪方式不同,使得亚洲食物具有典型的类内差异性和类间相似性特征,极大地增加了对亚洲食物准确识别的难度。对食物图像的准确分类能够显著提升食物识别的准确性。为了提高亚洲食物图像的分类准确性,本文采用多种深度学习模型和注意力机制,在UECFOOD100数据集上对亚洲食物分类的模型和方法进行研究,分析不同模型和注意力机制对分类结果的影响,为亚洲食物分类和识别研究提供参考。首先,针对UECFOOD100数据集图片中多类食物混合,导致难以直接使用该数据集训练分类模型的问题,利用人工标注框信息裁剪UECFOOD100数据集中的图片,并生成新数据集New＿UECFOOD100作为本文的深度学习分类模型训练和测试的数据集,为后续在UECFOOD100数据集中进行准确的食物识别研究提供条件。其次,针对亚洲食物类内差异性和类间相似性导致的分类难度增加,分类准确率较低的问题,在New＿UECFOOD100数据集中使用MobileNetV2、VGG16、ResNet50三种卷积神经网络搭建分类模型,并通过在模型中引入SE（Squeeze-and-Excitation Networks,SE）注意力机制精准定位并提取亚洲食物图像中食物主体的细节特征,提升三种模型的分类准确性。最后,在MobileNetV2、VGG16、ResNet50三种卷积神经网络模型中分别添加了卷积块注意力机制（Convolutional Block Attention Module,CBAM）,通过分析和对比通道注意力和空间注意力不同的组合方案,探究注意力机制对食物图像分类效果的影响并确定最佳组合方式。此外,针对New＿UECFOOD100数据集中存在的类别不均衡和数据量较少的问题,引入Mixup数据增强算法扩充数据集,从而进一步提高模型分类的准确性。