随着近年来深度学习技术在植物图像的识别分类任务中广泛运用,对植物的分类识别领域发展起到了一定的促进作用,并且给农林类学科的发展给予了很大帮助。并且随着在计算机视觉领域相关研究的深入,也为无人机航拍图像的场景分类、目标检测、图像分割等任务提供了一项新型的技术手段。过去在进行园林城市的对植物种类信息的调查方法需要耗费大量的时间和精力,通过借助无人机航拍图像和深度学习进行对植物种类的识别,可以极大地减少对植物种类调查所需要的时间,降低了调查的人工成本,提高了识别的效率,但受气象条件影响大、精度较低、制图周期长、实时性低,并且需要支付高昂的资料购买费用。无人机是一种高效、快速获取区域内实时高分辨率图像数据的平台,通过使用人工智能对植物种类进行识别,为城市植物资源的调查研究提供更多的可能性。本研究以湖南长沙圭塘河风光带中一段区域的植物为研究对象,主要研究无人机航拍图像处理以及深度学习在无人机航拍图像植物识别中的应用,利用无人机RGB航拍正射影像数据,采用以基于Resnet三种不同层次结构的Mask R-CNN实例分割模型对研究区域内的7类优势树种进行分类和识别,识别对象为不同种类的植物,实现在航拍图像中对于植物种类的智能识别。本文主要研究内容如下:利用无人机采集基于正射影像下城镇植物的树冠图像,构建了一个在复杂背景下包含图像多种植物的图像数据集。采用水平翻转,调整亮度、对比度、饱和度和色调等方式对数据集进行增强和补充。通过Mask R-CNN模型对数据集中的图像数据进行实验,采用先进行在COCO数据集上预训练后再进行迁移学习的方式,证明深度学习方法在航拍图像中植物识别的有效性,无人机RGB航拍正射影像在一定空间范围内的城镇植物种类的智能识别与分类中有较强的应用潜力,且不同层次的网络结构与不同的背景复杂程度会影响分类结果的准确性。以Resnet-101为主干网络的Mask R-CNN实例分割模型实现了相对较高的识别精度（BboxmmAP为0.8052,MaskmmAP 为 0.8045,kappa系数为0.7635）,其次是以Resnet-50为主干网络的Mask R-CNN实例分割模型（BboxmmAP为0.7696,MaskmmAP为0.7560,kappa系数为0.7232）,以 Resnet-18为主干网络的 Mask R-CNN实例分割模型（BboxmmAP为0.7021,MaskmmAP为0.7522,kappa系数为0.7092）总体表现相对较差表明基于无人机航拍图像可作为未来城市植物资源调查研究的一种方式。不同类别植物的颜色、纹理、形状等特征对识别结果的影响差异较大,但主要还是受到高度及光照产生的影响,使得较为低矮的海桐及鸡爪槭的细节信息的数据不够清晰,降低了最终识别的准确率。不同的背景下,植物的识别结果也有所不同。如在简单背景下的香樟,识别准确率大幅高于复杂背景下其他类别的植物,其识别准确率均达90%以上。实地调查所产生的地面样本参考数据的准确性也对植物种类的识别结果产生较为明显的影响。地面样本参考数据越详实,其数据集中标注的数据也越准确,使得模型能够更好的识别出不同类别植物间的特征,导致识别结果的准确率得到相应提升。