在大自然中,植物的分布非常广泛,人类的生存和生活都离不开植物,地球上其他生物的生存和发展也依赖于植物,树叶种类识别对于研究植物的进化规律、植物物种保护、农业发展等方面都有非常大的帮助。由于树叶的种类繁多,部分种类的性状也很相近,而且树叶的拍摄容易受到影响,图片存在较多的噪声干扰,使得树叶种类识别具有较大的难度。近些年来,随着深度学习的高速发展,卷积神经网络技术广泛应用于农业、工业、军事等各个领域,而且在图像识别和分类上取得了很显著的提高。因此,本论文使用了卷积神经网络的方法,对捷克共和国ASCR信息理论与自动化研究所图像处理部提供的2014年中欧森林数据集(MEW 2014)进行了识别研究。本论文的主要研究内容有:(1)对数据集中的树叶图片进行多项预处理,包括了背景置白、去背景污垢、去除背景中多余树叶等,然后使用InceptionV3网络进行预处理前后的对比。(2)对树叶数据集进行扩充,在不改变其生物学特征的情况下,从15073张图片扩充到最后的80400张图片,然后使用InceptionV3网络进行数据集扩充前后的对比。(3)在InceptionV3网络的基础上,使用了更深更复杂的InceptionResNetV2网络进行训练,进一步的提高了识别率。最后,本论文对所有的实验结果进行了对比和分析,本论文采用的树叶数据集有201个种类,当树叶数据集未进行多项预处理时,使用InceptionV3网络的识别率为85.54%;经过多项预处理步骤后,同样的方法识别率为93.15%;然后将树叶数据集进行扩充,在扩充完的数据集上,使用InceptionV3网络识别率为98.28%;最终,使用更深更复杂的InceptionResNetV2网络,识别率达到了99.98%。相比树叶数据集的原论文,树叶种类增加了48种,识别率还提升11.07%。