基于图像集的分类问题相较于传统图像分类最大的不同是训练集、测试集中某类对象的多张图像代替原本的单张或者少量的图像样本。一般的基于图像集的分类问题的关键是考虑如何为图像集建模,以及如何定义图像集之间的距离或者相似度来实现分类。为了更好地实现植物图像分类,有必要开展植物图像集的分类技术的研究。本文以植物的叶片图像为主要研究对象,对植物叶片预处理、图像特征提取、基于反向训练和基于深度学习的植物图像集分类等内容进行了全面、深入的研究。本文的主要工作内容分为以下三个部分:(1)验证多特征融合在基于图像集的植物分类中的有效性。分类系统中特征提取方式的不同会产生不同的分类结果,为了更好地进行特征表达方式,这里结合多特征融合方法,进行图像集的植物图像分类。针对植物叶片图像,本文选择形状和纹理特征,以及不同特征融合的方式,为植物图像集分类选择更加良好的特征表达方式。(2)提出了一种基于反向训练的植物图像集分类方法。本算法旨在从测试集的角度出发,来解决植物图像集分类问题。对于待识别的测试集,所有的植物只分为和它相同类别的植物与和它不同类的植物,设计该方法的出发点就是找到测试集样本和其他植物分类的超平面进而进行植物图像集分类。(3)提出了一种基于深度学习的植物图像集分类方法。本算法旨在结合深度学习的自我学习能力,为每类图像集训练一个类别专有深度学习模型。训练得到的深度模型可以充分模拟真实数据的分布,所以当测试集图像样本输入到学习模型中会得到重构误差,选择最小的重构误差集合的深度学习模型就可以得到测试集的类别标签。