森林生态系统作为我国东北地区国家级自然保护区的主体之一,实现树种的自动识别对保护生物多样性具有重要的意义,有利于增加人们对植物资源的认识,使得人们更好的利用这些资源。此外,人们对木制品的需求与日俱增,将树种识别大众化也变得尤为重要。本文提出一种基于特征融合和深度学习的树种识别方法,分别从传统分类算法、深度学习、迁移学习、目标检测与识别、特征融合五个方面进行了树种识别实验。本文的主要研究内容如下:(1)基于迁移学习的树种识别。该方法提出的背景是利用深度学习直接训练时,需要大量样本作支撑,而迁移学习适合于小规模数据集的识别训练。首先是迁移ImageNet上的预训练模型,然后在数据集上进行迁移学习训练,最后利用混淆矩阵对迁移学习的可行性以及有效性做进一步的说明和分析。(2)基于目标检测的树种识别。该方法基于迁移学习,首先是迁移卷积神经网络模型提取图像特征,该特征作为目标检测的输入,最终使得具有复杂背景的图片实现检测和识别。有效的解决了图片的输入问题,不再局限图片统一大小,可以以任意尺寸作为输入。此外,由于受环境因素影响,树木的生长方向会有所不同,针对生长方向是否会对识别结果造成影响也进行了讨论和说明。(3)基于树叶和树干的图像融合的树种识别。(1)和(2)的方法都是对树叶图像或者树干图像单独进行识别,通过混淆矩阵发现树木之间存在着类间相似性和类内差异性的问题。基于此,提出树叶和树干的图像融合的方法。首先选择数量和种类都相同的树叶图像和树干图像进行融合实验,然后选择了不同的融合策略与卷积神经网络结合,最后利用混淆矩阵对该融合方法的可行性和有效性进行了讨论和分析。选择东北地区的12种树木作为研究对象,将基于迁移学习,基于目标检测,基于特征融合作为主要研究内容,逐步开展了树种识别研究。相较于传统分类方法及其它识别方法,最终的识别结果可以达到97.80%。本课题提出的方法不仅在训练速度上有了较大的提高,而且识别结果也有较大的提升。