植物识别对于维护植物物种的多样性,了解植物的生长特性、地理分布,对植物资源合理开发与利用等问题至关重要。传统的植物分类识别工作,通常依据植物的花朵、叶片或茎、果实等器官部位的形态特征,即颜色、纹理、形态等特征对植物的识别至关重要。目前,图像识别技术快速发展,通过深度学习技术进行植物图像的自动识别成为植物识别领域的研究热点,并已取得了良好的效果,并且有一定的研究空间。而卷积神经网络作为深度学习技术的其中一个代表,也取得了飞速的发展。卷积神经网络是一种特殊的深度神经网络,其中特有的卷积层,能够在一定程度上降低训练所需要的参数数量,因为它的连接方式为局部连接,并可以进行权值共享。而降采样层能使得网络的鲁棒性更好,并使输入的维度和网络的复杂度均实现大大的降低,同时可以有效地抑制过拟合问题。本文从卷积神经网络的基本概念和算法入手,深入研究卷积神经网络的理论及相关问题,最后提出了基于自注意力机制胶囊神经网络,应用于植物图像的分类识别问题中。论文的主要工作如下:(1)首先,整理并总结了卷积神经网络、自注意力机制及胶囊网络的基本概念和基本原理,详细阐述了其基本结构和网络参数,证明其优点,并介绍了Dense Net的相关内容及实验中常用到的评价指标。(2)其次,本文研究将胶囊网络这种全新的深度架构模型应用于植物物种识别,提出一种改进稠密胶囊网络模型,降低了网络参数规模,适应大尺度图片输入和小样本数据集的训练学习要求。(3)最后,将本文提出的网络模型与几种经典的识别方法进行对比,应用于两种花卉数据集及叶片数据集中进行实验,对本文提出算法框架的有效性等进行了验证,根据最终的实验结果可得出,在相同的实验环境和相同数据集的条件下,本文所提出算法的识别准确率更高,并且参数规模更小,证明了本文提出算法的有效性。综上,本文深入的研究了植物图像分类识别的问题,提出了相应的解决方法,然后进行了充分的实验验证,所提出的算法模型为后续的研究工作打开了新的思路,以便于参考及借鉴,也能够为物种识别和其他分类识别任务提供了必要的补充。