现今世界上有135个国家种植柑橘,因此柑橘与全球经济贸易发展息息相关。柑橘品种繁多,口感各异。随着温湿度的改变,含糖量、可溶性固形物的多少随之改变,造成柑橘的品质差异。通过对柑橘叶片进行分类从而对不同品种柑橘生长态势进行监测,合理制定不同的自动除草和病虫害防治方案,制定喷施农药变量等最佳种植方案,对农作物的种植和管理具有重要的现实意义。常规的植物叶片分类方法如化学检测方法、图像特征分类法等存在成本高、模型不稳定等问题。本研究采用光谱技术与数字图像处理技术对柑橘叶片进行品种鉴别,主要研究内容如下:（1）基于高光谱成像技术对柑橘叶片的品种进行了鉴别。采集了13个品种共2799片柑橘叶片。分别对原始光谱建立SVM、PCA-SVM、PCA-RBF-NN、PCA-LDA四种模型。其中,SVM模型鉴别准确率最高,达到92.53%。原始光谱经Detrend预处理后,同样建立上述四种模型。PCA-SVM模型鉴别准确率最高,达到95.40%。对5个品种柑橘叶片的高光谱图像进行特征提取并与连续投影算法（SPA）提取的光谱特征波长融合并建模,SVM模型的鉴别准确率达到95.00%,LDA模型的鉴别准确率达到97.00%。表明高光谱成像技术可以用于柑橘叶片的多品种鉴别。（2）基于数字图像特征提取的方法对柑橘叶片的品种进行了鉴别。对柑橘叶片的数字图像提取了5个几何特征、7个Hu不变矩、4个纹理特征进行计算。对5个品种柑橘叶片通过形态特征、纹理特征、形态与纹理特征融合这三种方法分别建立SVM模型。其中基于特征融合的模型分类率最高,为75.44%。同时发现柑橘叶片的形态特征分类效果优于纹理特征。对13个品种柑橘叶片数字图像进行特征提取。通过形态特征、纹理特征、形态与纹理特征融合这三种方法建立SVM模型。三种方法均不能对13个品种的柑橘叶片进行良好地区分,纹理特征与形态特征融合的模型分类准确率仅有56.42%。（3）基于数字图像的卷积神经网络（CNN）模型对柑橘叶片的品种进行了鉴别。搭建Alex Net卷积神经网络的柑橘叶片品种鉴别模型,在初始学习率为0.0001时,模型验证集准确率达到99.37%,测试集准确率达到99.10%。基于残差模块搭建Res Net18卷积神经网络的柑橘叶片品种鉴别模型,在初始学习率为0.001时,模型验证集准确率达到99.73%,测试集准确率达到99.64%。可见卷积神经网络模型通过深层次网络自动提取的特征丰富表达了品种间的差异性,能够更准确地完成柑橘叶片品种的识别分类。研究表明,高光谱技术与数字图像技术都能够实现对柑橘叶片的多品种分类,正确率均达到95%以上。但是高光谱采集图像耗时较长,时间成本较高。数字图像采用卷积神经网络的建模方法比传统的机器学习算法对叶片的品种分类效果更好。