计算机视觉能够从食物照片中估算出卡路里，方便人们监控卡路里摄入，从而控制体重。　　针对现有食物卡路里估算存在目标检测精度不高和估算结果误差较大等问题，本文研究并提出了一种基于深度学习的食物卡路里估算方法。该方法包含以下步骤:照片获取、食物及标定物检测、图像分割、体积估算以及卡路里估算。该方法需要食物的俯视图和侧视图作为输入，且两张图中需要包含标定物。本文主要的研究内容有:　　(1)鉴于当前的食物数据集不能满足食物卡路里估算的需求，本文提出了一个食物数据集ECUSTFD(ECUST Food Dataset)。该数据集包含19类食物，图片数目合计2976张，每张图片均提供标注、图片中食物的体积以及质量数据。　　(2)利用深度学习算法Faster R-CNN检测目标，该算法具有检测精度高、对输入图像大小限制小等优点。并用GrabCut算法对检测到的食物进行分割，从而获得食物轮廓。　　(3)通过对食物按形状进行划分，对不同形状的食物采用不同的体积估算方法，以提高体积估算准确性。　　为验证本文方法有效性，本文还进行了食物目标检测、体积估算和卡路里全过程估算三个实验。食物目标检测实验用于验证Faster R-CNN的有效性;体积估算实验用于评估本文提出的体积估算算法;卡路里全过程实验则用于评估本文食物卡路里估算方法。结果表明本文方法的估算结果较为准确。能为用户控制卡路里摄入提供正确的参考。