本文首先将传统的脉冲耦合神经网络的特征提取方法应用到叶片图像识别领域,以脉冲耦合神经网络(PCNN)的熵序列为主要特征,结合简单的形状特征,探索基于叶片图像的植物识别的可能性,并取得了较好的识别效果。然后经对传统PCNN模型以及改进模型的分析,提出了一种基于bag-of-word(BOW)模型(LLC编码方式)和双输出的脉冲耦合模型(DPCNN)的特征提取方法BOW_DPCNN。通过与SIFT以及BCF(Bag of Contour Fragments)的对比,本文提出的BOW_DPCNN展现出以下特点:较好的识别效果、编码速度快、特征向量长度短、较强的抗噪性。将其应用到植物叶片图像识别中后,其识别效果较之前的特征提取方法有了大幅提升,在几个常用的叶片图像数据库上达到了非常好的识别效果。由于BOW存在众多的编码方式,LLC并不是最优的,通过分析和对比后,我们选择其中编码速度更快、计算量更小、效果更好的VLAD编码方式。通过对比基于VLAD编码方式的形状上下文特征(对BCF的进一步提升,VLAD_SC)、VLAD_SIFT、VLAD_DPCNN、HOG以及基于深度学习的特征SPP_CNN,表现出VLAD_DPCNN具有较强的可靠性、稳定性和有效性。最后我们采用VLAD_SC和VLAD_DPCNN特征构建了一种基于BOW模型的植物叶片图像识别系统,以支持向量机作为特征选择器和分类器。经过实验验证,该系统在几个常用的叶片数据库上获得了非常好的识别效果。