植物叶片识别对于鉴定新的或者稀缺物种至关重要,对于改善药物工业、平衡生态系统以及农业生产力的可持续性发展也有重要意义。针对传统的植物叶片识别依赖于特征工程,需要人类的领域专家参与特征定义、特征提取、特征处理,从而使得在自然环境下植物叶片识别难的问题,本文提出了一种通过自动的表达学习程序从二维图像中抽象特征,并用于分类识别的深度学习模型。本文所做的工作如下:(1)研究传统特征工程的识别方法的局限,研究深度学习的发展及优势。(2)研究基于特征工程的植物叶片识别流程,包括特征的提取方法、特征的处理与选择方案、分类器的设计方案,以及传统特征工程面临的问题。(3)研究基于深度学习的植物叶片识别流程,包括有限数据集下数据扩增与鲁棒性增强的图像预处理方案,特征提取网络构造的关键步骤,损失函数的选择与分类网络构造的关键步骤。(4)研究深度学习方法中提升识别率的关键问题,实现更深、更宽、性能更好、参数更少的深度学习网络构造方法,网络的训练及优化方案,迁移学习可用性及实现方案。最终,本文实现了基于深度学习的植物叶片识别方法,该方法首先通过光照变换、水平镜面翻转、随机裁剪、去均值与规范化等图像预处理方式增强数据鲁棒性。然后将预处理的图像作为22层的深度卷积神经网络模型的输入,经过该模型一系列的卷积、池化操作,原始图像被抽象并形成特征图。最后经过全局均值池化将特征图转为一维特征向量作为全连接层的输入,并使用Soft Max损失函数和梯度下降算法指导学习最终实现分类。本文在深度卷积神经网络中组织了模块化的“层中层”结构,增加了网络的深度和宽度,提升了网络性能,同时又控制了网络参数。另外,本文采用了预训练和微调的迁移学习方案,即使是在时间较短且数据集较少的情况下也能训练出高性能的分类识别模型。实验表明,该基于深度学习的植物叶片识别方法即使是针对自然环境下的植物叶片识别也有较好的效果。在CLEF2012数据集上实现了识别72类叶片,95.68%的top1准确率,99.23%的top5准确率。