枣果含有丰富的营养素和矿物质,在中医药学上有较高的实用价值。枣在我国已有数千年的栽培历史,至今已发现九百多个种质资源。不同品种的鲜枣由于具有相似的特征,使得准确识别鲜枣品种具有挑战性。随着图像处理技术的发展,利用手机等移动设备获取枣果图像越来越方便,这为鲜枣品种智能识别奠定了良好的基础。目前针对自然环境下的多个鲜枣品种识别研究相对较少,为满足对鲜枣品种自动、快速、准确识别的需求,本文以20个鲜枣品种为研究对象,基于深度学习技术对自然环境下的鲜枣品种自动识别方法展开了深入研究,主要研究工作如下:（1）针对自然环境下的枣果图像存在类内差异大、类间差异细微的问题,提出了一种基于度量学习的枣品种识别模型（Jujube Classification Network,JCN）。JCN模型以一个正样本集（属于同一品种的枣果图像）和一个负样本集（非正样本集品种的枣果图像）作为输入,以VGGNet-16网络作为基础网络设计出一种双流网络结构,此结构通过形状特征和细粒度特征学习分支,学习丰富的枣果图像特征,并使用Coupled cluster loss和Focal loss两种损失函数进行优化,既能够提高类内聚合性且扩大类间差异性又可以降低样本分布不平衡的干扰,从而提升模型的识别效果。通过在自然环境下采集的枣果数据集上进行实验,JCN模型对枣果测试集的总体识别率为84.16%,比 SVM、AlexNet、VGGNet-16、ResNet-18 模型提高了 5.9～23.32 个百分点,在形状相似度较高的圆柱形和圆形枣品种上平均识别准确率分别达到87.33%和81.33%,表明JCN模型能有效提高枣品种的识别精度。（2）针对枣果图像数据集中枣果形状相似导致的识别结果不理想问题,提出了一种基于特征融合的枣品种识别模型（Jujube classification-feature fusion network,JC-FFN）。该模型以枣果图像、枣叶片图像及其纹理图像作为输入,并以ResNet-18网络作为特征提取器设计了一种三分支网络结构。首先将叶片形状特征及纹理特征进行加法融合,再将其和枣果特征进行拼接融合,最后,将三个分支得到的融合特征输入到全连接层和Softmax分类层输出分类结果。通过不同训练方式（随机初始化训练和微调）、不同层的融合方式（卷积层和池化层）、不同分支构建的网络模型以及不同识别模型进行的对比实验,结果表明,在卷积层进行特征融合构建的JC-FFN模型总体识别率更高,达到91.68%。与JCN模型相比,提高了 7.52%,特别是圆形和长圆形两种形状中的枣品种平均识别精度有较大的提升,分别提升了 9.5和10.72个百分点,验证了 JC-FFN模型有效避免了不同品种的形状相似枣果的干扰,提高了枣品种的分类准确率。（3）针对一般神经网络无法准确定位枣果、枣叶片图像中显著性判别区域以及不能有效提取显著性区域特征的问题,在JC-FFN模型的基础上,将作为特征提取器ResNet-18的网络中嵌入空间注意力和通道注意力机制,构建了基于多注意力的枣品种分类模型（Jujube classification-multi-attention network,JC-MAN）,并将 JC-MAN 模型的卷积层融合改为分类层融合,构建集成网络模型。通过对比实验,结果表明,JC-MAN模型能够准确定位图像中的枣果和叶片等显著性判别区域,在枣品种分类中识别准确率达到94.77%。与JC-FFN模型相比,总体识别率提高了 3.09个百分点,其中圆铃枣提升值最高,达近8个百分点。通过对集成模型的不同结合策略进行对比实验,当选取权值（α1,α2,α3）=（1,0.7,0.4）时,结合策略采用加权平均法的识别准确率高于相对多数投票法,达到95.21%,表明集成模型采用分类层融合方式的有效性。