Para realizar la identificación automática en tiempo real de la carne de cordero picada adulterada, se construyó un modelo de reconocimiento de imágenes basado en una red neuronal convolucional (CNN) para la carne de cordero picada adulterada. Las imágenes de piezas de carne de cordero, pato, cerdo y pollo, así como de cordero adulterado con diferentes proporciones de muestras de carne de pato, cerdo y pollo, fueron adquiridas mediante el sistema de adquisición de imágenes autoconstruido del laboratorio. Entre todas las imágenes había 960 imágenes de diferentes especies animales y 1200 imágenes de carne de cordero picada adulterada con pato, cerdo y pollo. Además, se reacquisieron 300 imágenes de carne de cordero pura y carne de cordero adulterada con pato, cerdo y pollo para validación externa. Este estudio comparó y analizó la efectividad del modelado de seis modelos de CNN, AlexNet, GoogLeNet, ResNet-18, DarkNet-19, SqueezeNet y VGG-16, para el reconocimiento de características de forma de diferentes piezas de carne de ganado y aves de corral y carne de cordero adulterada. Los resultados muestran que los modelos ResNet-18, GoogLeNet y DarkNet-19 tienen el mejor efecto de aprendizaje y pueden identificar con mayor precisión diferentes piezas de carne de ganado y aves de corral y las imágenes de carne de cordero picada adulterada, y la precisión de entrenamiento de los tres modelos alcanzó más del 94%, de los cuales la precisión de validación externa de los tres modelos óptimos para las imágenes de carne de cordero picada adulterada alcanzó más del 70%. El aprendizaje de imágenes basado en un modelo de red neuronal convolucional profunda (DCNN) puede identificar diferentes piezas de carne de ganado y carne de cordero adulterada, proporcionando apoyo técnico para la identificación rápida y no destructiva de la autenticidad del cordero.