我国作为全球两大玉米种植黄金带之一,一直是世界上主要的玉米生产国和消费国。玉米籽粒品种识别研究对玉米的育种研究、栽培管理以及市场流通等方面都具有十分重要的意义。学者们基于传统机器学习方法对玉米籽粒的品种识别及玉米籽粒的完整性识别研究做了大量工作,并取得了一定成果。但传统机器学习方法需要人工总结规律并设计特征量,在图像预处理及评估提取特征的有效性上将耗费大量时间和精力。随着科学技术的不断发展,深度学习能够自动学习图像的特征,在图像识别任务中的表现十分优秀,使得其在各领域得到广泛应用。本研究以登海518、浚单20和郑单958三类品种为研究对象,提出了基于深度学习的玉米籽粒品种识别方法。主要做了以下研究:(1)介绍了国内外的研究现状,主要包括:玉米籽粒品种识别和深度学习技术研究两个方面。阐述了深度学习的理论基础,并详细介绍了卷积神经网络的相关知识。(2)针对农业领域开源数据集相对匮乏这一现状,完成了玉米籽粒数据集的制作。利用多功能一体机的扫描功能获取玉米籽粒的数字图像,使用数据增强技术对数据进行扩充,并将登海518、浚单20和郑单958三类品种分别标记为0、1、2。(3)针对传统机器学习存在人工提取特征的缺陷,提出了基于卷积神经网络的玉米籽粒品种识别方法。该方法参照Alex Net,在Keras深度学习框架下搭建卷积神经网络模型。为了验证卷积池化结构提取局部特征的有效性,设计多层感知器网络模型为对比实验,两个模型的识别率分别为95%和74.26%,证明了卷积神经网络可以有效学习玉米籽粒的特征,达到较好的识别效果。(4)针对深度模型结构复杂、参数规模大、难以拟合小数据集等问题,提出基于迁移学习的玉米籽粒品种识别方法。在迁移VGG-19、Inception-V3、Rest Net-50卷积神经网络模型的结构和权值的基础上构建迁移学习模型,并使用玉米籽粒数据集的训练集进行训练。使用测试集对训练完备的模型进行测试,结果显示三个迁移模型的平均识别率均高于99%,高出卷积神经网络模型超出4个百分点,证明了迁移学习对小样本玉米籽粒数据集有较高的识别准确率。