森林作为重要的自然资源,对维持陆地生态圈的平衡发挥重要作用,同时也为人类社会的发展做出了贡献。林业健康发展是生态文明建设的重要内容之一,将科技手段融入现代林业建设,是林业信息化发展的主要方向。自动化分类识别树木种类,是实现对森林资源现代化管理至关重要的一步。本研究利用数字图像处理技术与人工神经网络技术,结合树木叶片的形态学特点,对叶片图像进行预处理和特征值提取,并组建BPRBF（Back Propagation-Radial Basis Function）混合神经网络应用于叶片识别研究中,得到了较好结果,验证了树木叶片自动分类算法的可行性。本研究使用的树木叶片样本采集于东北林业大学实验林场,选取了东北地区温带针阔叶混交林中常见的15种乔木叶片,分别是复叶槭、家榆、山杏、旱柳、杨树、榆叶梅、槺椴、水曲柳、白桦、紫椴、胡桃楸树、色木槭、蒙古栎、金银忍冬和黄菠萝树。通过自主设计的二维图像采集系统获取树木叶片图像,在图像预处理过程中提出了一种基于连通域标记消除的图像分割和降噪方法,提取了树木叶片边缘并进行了纹理增强。对预处理后的树木叶片图像,基于叶片的整体形状和叶片边缘状态等生态形态学特点,提取5种几何特征,分别是矩形度、圆形度、长宽比、偏移度和锯齿度。基于灰度共生矩阵,从14个二次统计量中提取出4个不相关量作为纹理特征,分别是对比度、相关性、能量和同质性。选取了Hu不变矩和Zernike不变矩进行研究,分别提取了7个和10个不变矩特征。设计BP-RBF新型混合神经网络模型并进行训练,获得较好结果。使用不同维度的特征向量,分别是4维、5维、9维、16维、19维和26维,输入到BP-RBF混合神经网络进行训练,并与设计的BP（Back Propagation）神经网络和KNN（K-Nearest Neighbor）模型分别进行了对比研究,混合神经网络的识别率均高于BP神经网络模型和KNN模型。在所有特征向量中,将Hu矩和9维几何纹理维特征融合而成的16维特征值输入混合神经网络,得到最高识别率92.41%,证明Hu不变矩特征能有效提升识别率。实验结果表明,设计的BP-RBF混合神经网络模型能够有效地对15种树木叶片进行识别,进而识别树种,为建立东北林木自动识别系统提供理论支持。