随着当今时代科学的进步与发展，菌类已然成为国民饮食结构中不可或缺的一环。然而正因如此，不同的菌类很容易被人们误认误食，从而导致一些疾病的发生。而在生产环境之中，目前食用菌类分类识别仍是以依赖人工识别分类为主，人工识别过分依赖经验，在人工学习与训练上需要耗费一定的成本，而且人工识别存在着效率低下，浪费人力，且有一定的错误率，从而导致菌菇在生产、销售等环节中增加一定的成本。  因此，将目标检测分类识别应用于菌菇识别分类中，采用高效先进的自动化识别流程取代传统的人工识别，有助于使菌菇分类在生产销售环节中准确率更高，更省时间，节约人力消耗和金钱等成本。但是目前存在的深度学习目标检测应用于菌菇识别的研究中，存在着识别种类少、且识别画面中存在多种类别菌菇无法精准定位目标分类的问题。  本文提出本文提出一种改进的yolov5算法识别菌菇（MR-yolo），利用不同设备与途径采集21类食用菌图像并制作数据集，在维持网络深度与宽度不变的情况下将原生的yolov5算法网络结构进行修改，以实现目标检测算法性能的提升。