计算资源以及计算性能的高速扩增,使得深度神经网络（DNN）在各个研究领域得到爆发式增长,例如检测、分类、识别以及监测等。植物的识别和分类在认识、理解以及保护物种多样中起着举足轻重的作用。在传统的植物分类中,需要提前对植物分类专业人员进行长时间的强化培训以获得足够的分类经验,这使得非专业人员在植物分类上具有一定难度。在视觉认知领域,人类对物体种类识别的学习贯穿整个生命过程;而在生物学中,随着分类等级由高到低,物种之间的差异越来越小,即分类识别难度越来越大。如何将DNN应用在处理植物种级乃至以下级别的物种分类任务中是当前DNN研究的一个重要课题。DNN不断发展改进,其表达能力也越来越强,在分类中的应用越发智能。而移动数码设备、终端数据库等相关技术为DNN提供大量数据,这些数据又反过来加速DNN算法的优化。在本论文中,我们综述了DNN在植物图像分类应用中的现状,并选取了6种DNN模型同时应用到5个植物图像数据集上开展分类训练。这5个数据包含了4个公开种级植物图像数据集,它们分别为Flavia,Swedish leaf,D-leaf和Oxford Flower102,以及一个我们自己生成的一个茶梅品种级植物图像数据集,Camellia@clab。山茶科山茶属茶梅种这个物种下包含多个人工培育或野生开发的品种,品种之间具有很高的相似性,分类难度高。本文提供了一个茶花品种数据集,并在该数据上分别使用6个DNN模型进行实验,它们分别为Le Net,Alex Net,Inception Net,Res Net,Dense Net和Mobile Net。最后,对实验结果分析总结,并展望了相关研究前景。本研究结果显示,我们采用的6种DNN模型在5个数据集上的平均分类准确率超过了75%。Dense Net模型取得最佳分类,分类准确率均超过93%,但其计算资源要求最高且计算时间最长;Le Net在这些数据集上的分类性能优良,分类准确率在83.23%以上,并对计算资源和计算时间要求都适中。Mobile Net取得了计算时间和模型性能间的平衡。这些DNN模型在Camellia@clab数据集上的分类性能有所降低,这是因为物种品种间的高度相似性和杂合性加大了分类难度,但Dense Net和Le Net也取得了良好的分类效果。这些模型在Camellia@clab数据集中的模型损失降低,这证明大数据集有助于深度分类模型的收敛。