传统基于图像的树种识别相关研究包括植物叶片识别、花卉识别、树皮纹理识别以及木材纹理识别等,都是根据植物的单一器官进行识别,并且传统的基于人工提取特征的机器学习方法对单一纯色背景的植物图像有较好的识别效果,但是对自然环境下的复杂背景下的植物图像识别效果较差,本文提出一种基于深度学习和树木整体图像的树种识别方法,实现了对复杂背景的树木图像进行自动识别。本文的主要研究内容如下:(1)采用自主拍摄和网络爬取相结合的方式构建了一个TreesNet树木整体图像数据集,共包含10个树种总计1593幅RGB图像。同时,采用了翻转、裁剪等方式对图像进行数据增强,数据增强后生成了大量新的图片,最终得到的图像数量是原始数据集的10倍。(2)基于AlexNet、VggNet-16、Inception-V3、ResNet-50四种模型在原始树种数据集和使用了数据增强后的数据集上进行训练,分别采用了直接训练和迁移学习两种训练模型的方式,比较迁移学习和直接训练得到的模型的准确率。(3)基于集成学习的思想,采用相对多数投票法和加权平均法分别对上述直接训练和迁移学习训练出的四个模型进行集成,生成集成模型。(4)通过Web App技术将模型打包移植到移动端,开发出一款树种识别应用。本研究实验结果表明,数据增强能有效改善过拟合问题,从而提高模型的泛化能力,同时本文提出的基于集成迁移学习的方法对复杂背景下的树木整体图像识别率达到了99.15%,相较于传统机器学习方法有很大的提升。