地球上的植物种类繁多,对植物进行分类识别在植物保护、良种鉴别、病虫害防护等方面具有重要意义。叶片作为植物重要器官,具有保存时间长、采集方便和便于计算机图像保存的2D结构等优点,已成为基于计算机图像技术的植物分类识别的重要依据。而传统的植物叶片分类方法一般需要手工提取叶片特征,精心设计特征提取器,反复调整参数等。这些方法表现好坏往往取决于人为选择的特征是否合理,具有很大的盲目性,不具有通用性和迁移性。为了解决这些问题,论文选择了混合的CNN-SVM算法:首先选择卷积神经网络(Convolutional Neural Networks,CNN),它可以直接运用在二维图像上,并自动提取出叶片的深层特征;之后利用支持向量机(SVM)学习这些深层特征,分类识别植物种类。论文选取了Flavia、ICL和Leaf100三个叶片数据集作为研究对象,使用混合CNN-SVM方法在三个数据集上检测其有效性。主要研究内容和结果包括以下几个方面:1)采用了最小圆覆盖的预处理方法,确保叶片位置中心化和叶片图像大小归一化,为后续卷积神经网络提供数据基础。论文依次采用了二值化、最大边缘区域的轮廓提取、最小圆覆盖和双线性插值方法,去除噪声和干扰元素,同时保证图像中叶片大小归一化和位置中心化(防止长宽不一致图像放缩时叶片产生严重形变),为后续进一步利用CNN提取叶片深层特征提供数据基础。2)设计了迁移学习的卷积神经网络提取叶片深层特征,选择特征最优的层输出作为后续分类器的训练数据。利用直接训练的CNN和迁移学习的CNN对比,表明迁移学习的CNN可以加快收敛速度,提高识别率。之后利用CNN善于提取叶片深层特征的优点,选择Leaf100叶片数据集作为研究对象,可视化并训练其各层的输出特征,得出特征最优的层。3)使用基于卷积神经网络的植物叶片混合分类算法,对比分析实验结果得出混合CNN-SVM在叶片分类识别上是有效的。使用支持向量机(SVM)、k最近邻和随机森林分别与CNN混合,表明混合CNN-SVM识别结果最佳;之后选择混合CNN-SVM模型进行细致的多组对比实验,表明混合CNN-SVM在三个叶片数据集上的有效性和通用性,特别地当Flavia训练数据达到一定数量时识别率可达到99%,也说明叶片外轮廓在叶片识别分类中有非常重要作用。