植物识别在现代农业、中草药学和植物分类等方向具有重要意义,树叶是植物分类和形态差异的重要特征。因此通过树叶图像识进行植物识别是一种高效和缜密的手段。当前树叶识别通常基于树叶图像中树叶轮廓,树叶纹理和树叶静脉这三种线性特征中的一两种,极大程度限制了它们的识别性能和应用范围。同时传统方法在基于树叶线性特征进行识别时往往忽略其是曲线多取向特征,并且以点特征为识别依据,这都极大降低了树叶识别准确率。如何有效的解决这些问题成为了树叶图像识别中亟待解决的新难题。本文基于以上问题,介绍了一种新树叶识别方法,该方法可以直接有效地结合树叶图像中的三种重要特征来进行植物分类。提出利用更有效的特征提取算法:椭圆半Gabor滤波器,更优的线性结构描述子:MGLLDP（Maximum Gap Local Line Direction Pattern,最大间隙局部线方向模式）结合的方法来解决以上问题。论文主要研究工作和结果如下:（1）为了从树叶的轮廓,树叶纹理和树叶静脉上获得稳定且独立的局部线响应,本文引入椭圆半Gabor滤波器并与原始灰度叶图像进行卷积,有效的提取了树叶的多种线性特征和曲线多取向方向响应。并通过实验验证修正后的椭圆半Gabor滤波器在识别率上相较于传统Gabor滤波器有很大提升。（2）通过MGLLDP从局部线响应中提取最大间隙局部线方向图并进行归一化循环右移处理,直至位移到方向最左边的位平面上的值为1的最大位平面上。之后计算归一化的直方图,并将其作为基于计数的局部结构模式,更为准确的表达了树叶线性方向的结构特征。通过实验验证MGLLDP在识别率上相较于传统梯度算子在树叶识别上具有更好的准确率。（3）将椭圆半Gabor和MGLLDP算法结合后,进行归一化处理,再利用支持向量机作为分类器在瑞典、Flavia、ICL（Intelligent Computing Laboratory,人工智能计算实验室）这三个最常用数据库上进行对比实验。我们提出的算法在这三个常用树叶库上的识别率分别达到:98.40%、97.83%和97.37%,优于目前主流的基于树叶的植物识别算法。综上所述,为了解决实际中基于树叶图像的植物分类问题,结合传统Gabor滤波器,本地描述子算法以及基于“计数”的特征描述方法,笔者提出了解决树叶线性特征问题的几种关键算法。这些新算法通过实验验证均取得了较好的应用效果。通过实验分析得出:树叶分类识别算法的成功与否主要取决于特征提取算法,其中,全面的提取线性特征,准确的表达线性结构表述和如何规避基于点特征造成的鲁棒性是我们所专注的核心问题。我们集中与这些核心问题提出的新型算法都合适的解决了这些困难,达到良好的实验结果。