为了实现自然环境（复杂背景）和非自然环境（单一背景）可作家畜饲料的植物叶片自动化识别,本文研究了基于深度学习的叶片识别方法。植物叶片种类繁杂,不同种类叶片之间在形态结构、纹理脉络等方面存在着较大相似性,植物叶片识别技术有助于判别植物叶片种类从而有效利用植物的实用价值。同时,由于采集场景不同,自然环境（复杂背景）植物叶片易受外界因素影响,背景复杂且干扰性强,而非自然环境（单一背景）植物叶片易受室内日光灯及拍摄角度的影响,均会增加叶片识别的复杂度。针对这两种环境,本文选取了10种常见的可作家畜饲料的植物叶片构建识别模型。首先,对所采集的叶片针对复杂背景和单一背景分别进行预处理;进而,采用Alexnet、Vgg-16、Inception-V3以及Mobile Net V2四种卷积神经网络（Convolution Neural Network）模型对植物叶片进行训练;最后,测试结果表明,Mobile Net V2模型对植物叶片具有较高的识别率,其中自然环境（复杂背景）可达83.25%,非自然环境（单一背景）可达97.19%。该研究的提出和实现为可作家畜饲料的植物叶片自动识别提供了理论支持。论文主要研究内容和结论如下:（1）叶片图像库建立。在山西农业大学植物园内,对10种可作家畜饲料的植物叶片（刺槐、构树、胡枝子、金叶榆、菊芋、毛梾、泡桐、桑树、山楂树、紫穗槐）进行采集,共计10500张,每个种类样本不低于500张。将数据集划分为自然环境（复杂背景）和非自然环境（单一背景）植物叶片,其中,自然环境为5250张,非自然环境为5250张,随机抽取7350张为训练集、1840张为测试集以及1310张为验证集用于模型训练。（2）针对两种环境的植物叶片分别采取不同的图像预处理方法。其中,单一背景叶片采用数据增强中的旋转、镜面翻转等方法扩充数据集,灰度化处理抑制颜色干扰以及图像归一化消除几何变换的影响。由于自然环境叶片图像多表现为一簇或重叠,且存在光照不均的影响。因此,针对复杂背景叶片,首先采用光照变换、随机裁剪的方法扩充叶片数据;其次通过灰度化处理去除彩色背景;然后利用图像降噪保留图像轮廓边缘、减弱像素噪点对模型的干扰;最后采用感兴趣区域与分水岭算法实现叶片关键区域与背景的分割。（3）采用Alexnet、Vgg-16、Inception-V3以及Mobile Net V2卷积神经网络模型对图像预处理前后的自然环境（复杂背景）和非自然环境（单一背景）叶片图像进行训练试验,观察模型准确值并根据训练结果进行调参和优化,从而得到模型最佳参数。（4）对预处理前后的叶片图像进行试验对比,图像预处理后的植物叶片识别准确率要高于原始植物叶片。其中,自然环境（复杂背景）植物叶片识别率分别为:79.23%、80.43%、81.32%以及83.25%,相比原始数据识别率平均提高了15.75%;非自然环境（单一背景）植物叶片识别率为93.59%、93.25%、95.56%以及97.19%,相比原始数据识别率平均提高了22%。通过模型稳定性及评价指标相关参数对比,模型对非自然环境的识别率整体高于自然环境,且Mobile Net V2模型识别效果最佳,可较好地实现对可作家畜饲料的植物叶片自动识别。