由于非法采伐和贸易剧增,木材资源尤其是珍稀木材物种面临重大威胁。准确高效的木材识别是实现合理有效地保护、管理和利用木材资源所要解决的重要问题。尽管计算机视觉广泛和深入的应用极大推动了木材图像智能识别的发展,但是目前基于计算机视觉的木材图像识别一般受成像环境的约束,只能在特定的图像采集条件下进行有效分类,难以满足高效识别木材的需求。并且,木材具有较大的变异性、较大的类内差异性和较小的类间差异性,因此难以提取有效的木材宏观图像特征。为了在非约束条件下正确识别木材宏观图像,即降低木材识别对采集环境的要求,本研究以宏观和微观构造特征相似的檀香紫檀、染料紫檀和胶漆树为研究对象,在图像增强和数据增强的预处理基础上结合传统机器学习和深度学习对木材进行识别。主要进行了以下研究工作:首先,针对木材图像非约束条件下难以识别的问题进行图像预处理。一方面采用图像超分辨率重建方法提高退化图像的质量,获取更多图像细节特征。另一方面采用数据增强方法扩大木材图像数据库,扩充识别模型训练时图像集的多样性。其次,利用传统机器学习方法构建木材纵切面的宏观图像识别模型。利用灰度共生矩阵、小波变换、方向梯度直方图、局部二值模式和视觉词袋算法提取的图像特征作为输入,然后采用线性判别分析、K近邻、支持向量机和人工神经网络算法进行木材图像识别,分析不同算法构建的识别模型的预测性能,并通过T分布随机邻域嵌入的可视化方法进一步验证图像特征参数的可区分性和图像预处理方法的有效性。研究发现基于加速鲁棒特征（SURF）的视觉词袋算法提取的木材图像特征最具区分度,将图像特征输入人工神经网络训练出的模型分类效果最好,三个不同条件下获取的图像集的识别精度分别为96.3%、88.9%和74.1%,经过图像预处理后达到96.3%、94.4%和82.4%。最后,利用深度学习方法构建木材纵切面的宏观图像识别模型。将Alex Net、VGGNet、Google Net、Res Net和Bilinear CNN用于木材识别,并分析了不同卷积神经网络（CNN）模型的识别性能。结果表明Res Net50为最佳识别模型,三个不同图像集的识别精度分别为97.2%、73.2%和56.5%。经过图像预处理后精度提高至98.2%、97.2%和81.5%,识别结果整体优于传统机器学习方法构建的木材识别模型。除此以外,还通过特征图可视化的方法展示了从CNN浅层提取具体特征到从深层提取抽象特征的过程,并采用梯度加权类激活映射图（Grad CAM）进行可视化分析发现图像预处理前后CNN在木材图像上的关注区域存在差异。综上,经过图像预处理后,利用计算机视觉构建的檀香紫檀木材识别模型具有较强的泛化能力和鲁棒性,能够在非约束条件下高效识别木材纵切面宏观图像。本研究为木材准确高效且无损的智能化识别提供新思路,具有较好的应用推广价值。