目前植物科学研究的普及性没有达到很高的程度。人们对所看到的植物不能快速、准确地获取该植物的学名、性状、品类等特征,使得在植物保护和植物病状知识研究中产生了一定的困难。因此,植物识别是进行植物学习和植物研究过程中一项不可或缺的任务。本论文主要研究基于植物叶片特征的识别研究。首先设计基于植物叶片特征的识别系统,测试出系统的准确率用于对比研究。之后采用深度学习的卷积神经网络设计植物深度识别系统,通过深度识别系统实现了复杂背景以及非人工参与下植物叶片的自动化识别。本论文的主要工作如下:(1)构建植物叶片数据集。本论文采用Plant Village数据集,AI Challenger PDR2018和PPBC(中国植物图像库)作为植物叶片数据库的组成基础。分析对比这3种数据的优劣以及与本次研究的契合度,通过抽取融合,最终生成13个种类约4万容量的数据集。(2)设计基于特征工程的植物叶片识别系统。通过对植物叶片采取图像预处理、特征提取、特征处理等操作提取植物叶片的形状、纹理特征,最后设计3层BP神经网络做为分类器识别特征,得出识别结果。(3)基于深度学习卷积神经网络,设计Resnet-inception网络模型用以自动分类识别植物种类。首先通过对数据集进行正则归一、加噪、图像增强处理,把植物图像数据集扩大到30万容量,用于深度卷积网络训练。之后本文通过训练VGGNet、Goog Le Net V3、Res Net以及论文设计的Resnet-inception网络模型,分别得到79.8%,90.4%,89.7%,92.8%的准确率,通过对比分析训练得到的准确率和各网络的收敛速度。(4)采用溯源理论对模型进行稳定性评估和可解释性推断。从溯源后的热力图可以清晰地看出图像中对识别贡献大的像素分布,通过分析热力图像得出结论:图像的贡献程度伴随着图像的边缘化增加而减弱。(5)本文最终把设计出的识别模型移植到手机移动端,做出植物叶片图像识别APP。通过手机拍摄或者手机存储中提取所要识别的植物叶片图像,上传至服务器识别返回得出植物的种类。