在植物学研究和农业生产中,植物幼苗识别分类和农作物信息监测采集是最为基础和重要的植物学研究和应用工作之一。传统人工采集的植物分类学普遍要求个人手动采集整理样本来获取数据和特征抓取,在数据缺乏客观性的同时,不仅处理过程复杂,而且处理效果差,还有诸多局限性。近年来机器学习、模式识别和数字图像处理等人工智能学科的高速发展,在许多场景下人类已经高效精确的解决一些实际农业生产中的问题。机器学习中的视觉算法一般以结构复杂,计算量大,硬件需求高为基础,训练实现了可靠的计算模型,满足了诸多应用场景下的各种实际需求。在植物幼苗图像识别研究匮乏和机器学习高速发展的背景下,本文拟提出一种基于卷积神经网络的植物幼苗图像识别方法,充分发挥卷积神经网络的优点来提升识别模型可靠性,以VGG模型为基础探索适用于解决本问题的模型结构。同时提出了一种基于VGG模型的植物幼苗识别方法,通过对比传统模型,分析实验结果得出了传统模型在植物幼苗图像识别能力上的的不足,探索网络结构以及参数训练上的改良方式,并对改良点加以实验对比,论证其对植物幼苗图像识别的影响。再以VGG为基础尝试对模型进行改良,设计改良网络结构来提升网络性能得到改良模型,得出了可靠的对植物幼苗图像识别的卷积神经网络模型,在改良模型的基础上,通过迁移学习和残差网络研究在植物幼苗图像识别数据集具有泛化推广能力的卷积神经网络结构。挖掘迁移学习在植物幼苗图像识别中的优势和不足,通过Res Net50模型进行了微调实验和参数迁移学习,对比从头的训练方式和迁移学习训练方式,探索分析了训练方式对植物幼苗图像识别结果的影响。论证了迁移学习得到的卷积神经网络的图像识别模型在农业领域的可行性和可靠性,以及解决数据集容量过低时卷积神经网络训练不足问题上天然优势,借助迁移学习得到了一种适用于农业应用场景下植物幼苗图像识别方法。