红木作为一类珍贵的木材,具有极高的经济价值、艺术价值和研究价值。古代名贵的家具和部分木结构建筑使用红木作为连接构件或装饰性材料,现代部分家具、装饰品也使用红木提高建筑环境舒适性。准确、快速鉴定和识别红木的种类对古代木结构建筑构件修复、红木家具市场材种鉴定和木材进出口贸易检验都具有十分重要的意义和价值。目前红木材种的辨识方法有化学方法、DNA方法、光谱鉴定方法和解剖学方法,基于图像对红木辨识的研究以解剖学方法为主,该方法存在的问题主要有两点:一是,红木微观图像获取困难,需对木材进行取样、染色、脱水等处理制作成木材切片,借助显微镜采集红木微观图像;二是,基于计算机视觉方法对红木的辨识研究较少,多依靠有经验的专家对红木完成材种鉴定。本文从红木微观图像采集、多维纹理特征融合、卷积神经网络、管孔特征提取等方面进行研究,以解决红木鉴定中自动辨识问题。本文的研究内容和创新点如下:（1）应用显微CT重构红木横切面、径切面和弦切面微观图像,为山东建筑大学木结构建筑用材标本馆创建红木数字标本库,为采用计算机视觉方法在红木材种辨识方面的研究奠定基础。（2）根据红木微观结构不同组织分布的特点与规律,针对红木单一纹理特征材种辨识方法的局限性问题,本文提出多维纹理特征融合的红木辨识方法。将单一的LBP（Local Binary Patterns）特征及变形形式分别与GLCM（Gray-level Co-occurrence Matrix）和Tamura特征融合,构建5种特征融合方法,分别结合径向基、BP神经网络和极限学习机实现红木横切面、径切面和弦切面图像的分类与识别。实验结果表明,特征融合的分类准确率普遍高于单一特征。（3）为探究多种切面组合对红木辨识准确率的影响,构建一种卷积神经网络模型（Con Net Model）,分别以红木横切面、径切面或弦切面图像作为模型输入,实现材种辨识。该模型的Inception模块使用多个不同尺寸的卷积核获得多尺度特征,同时在Leaky Re LU激活函数前和残差块跳线上加入增益层对模型进行优化,与经典的分类模型相比,该模型能显著提高辨识准确率和分类效率。分别将红木试件的单一切面、两切面组合、三切面组合作为Con Net Model模型的输入,训练卷积神经网络红木辨识模型,比较不同切面组合方式对材种辨识准确率的影响。经过多次实验比较得出,单一切面辨识准确率结果高于两切面组合或三切面组合。（4）基于红木横切面微观图像不同组织、结构分布的规律和特点,提出基于管孔特征的红木辨识方法。首先构建管孔分割模型（Onet）,该模型由上、下2个“U”形网络结构构成。2个“U”形结构接受同一个输入,经特征提取和带有不同卷积操作的特征融合,实现管孔的精确分割。其次,提出管孔特征的红木辨识模型（Dual Resnet18）。该模型引入上下并行的残差块结构,并且在Re LU激活函数前和残差块跳线上引入增益处理,与经典模型相比,此模型在红木材种辨识方面具有显著的优越性。综上所述,本文提出的多维纹理特征融合红木辨识算法、卷积神经网络红木辨识算法和管孔特征红木辨识算法,实现了红木分类与识别的智能化与“机器专家”决策系统化。保证木结构建筑构件的准确材种鉴定,尊重建筑构件修复过程中的相同材种等比例替换原则,保留建筑原有制式和时代特色,实现建筑文物修旧如旧。