研究植物的种属及特性、保护植物多样性、指导农业从业者科学合理的利用植物生产都离不开植物图像的数字化管理与服务。因此,植物图像的精准识别显得尤为重要。近年来,大部分的植物图像识别局限在单一背景的叶片和花朵图片上,而且识别的方法是人工设定和选择特征,然后对特征进行编码,最后再结合分类器进行分类识别,但是我们日常生活中收集到的植物图像大多都是复杂背景下的植物图片,这些图像在利用传统的图像识别方法识别时,存在特征难以设计和提取、识别率无法保证等不足。针对上述这些问题,本文着重研究了复杂背景下基于卷积神经网络的植物图像识别方法。本文主要进行了两个层面的研究:一方面重点分析研究了AlexNet和Google Net卷积神经网络模型下植物图像的识别效果,利用卷积神经网络技术,从大数据中自动学习特征,避免人工设定和选择特征的局限性,从而在一定程度上保证了复杂背景下植物图像的识别率。另一方面为了提高复杂背景植物图像识别准确率,考虑到复杂背景植物图像识别时背景的干扰性,本文在经典的卷积神经网络基础上,对植物图像识别方法进行改进,从图像有效特征和无效特征视角出发,从目标分割层面,设计了以Mask R-CNN为基础的有效区域提取和筛选模型,提出了一种基于有效区域提取和筛选的卷积神经网络植物图像识别方法,该方法首先利用打标签的MLT数据集训练一个基于Mask R-CNN的有效区域提取模型,该模型的目的是将图片中的有效区域分割出来,接着又利用图像(花朵、叶片)数据集通过卷积神经网络(CNN)训练一个有效区域筛选模型,旨在让数据集通过该模型筛选之后保留能表征植物图像类别的花朵、叶片等有效区域,舍弃特征不明显区域,以确保提取的图像特征更为精确,进而降低图像识别复杂程度;最后结合有效区域提取和筛选模块设计了以GoogleNet为基础的植物图像识别模型MRC-GoogleNet,该模型从复杂背景和有效区域筛选的角度出发,打破以往植物图像识别仅限于单一背景的叶片和花朵的局限,有效提高了识别算法的适应度;另外,本文识别模型中用于训练的样本数据是经过对原始图像进行精选得到的,因此图像识别模型提炼的特征更能凸显植物类别特性,这样既保证植物图像有效特征不被遗漏,又避免无效特征的干扰。实验结果和数据表明,与经典卷积神经网络模型相比,MRC-Google Net模型能提取到更为有效的图像特征,有效地提高了识别准确率。