模式识别技术(Pattern recognition technique)包括聚类分析、机器学习等多种方法,是一种集合数学方法和计算机技术对研究对象内部规律以及隐藏性质进行分析的综合技术。该技术在近20年来发展突飞猛进,已经广泛运用于各项领域。本文将在拓展模式识别技术的应用方面进行研究,主要是以山茶属植物的花和叶片为研究对象,将聚类方法(Clustering approach, CV)、反向传播神经网络(Back-propagation artificial neural networks, BP-ANN)、支持向量机(Support vector machine, SVM)等多种模式识别技术应用到山茶属植物的数值分类学领域以及叶绿素含量的无损预测领域中。具体而言,主要完成以下四大方面的工作：(1)依据山茶花的形态学特征,运用聚类方法和支序分析进行山茶属物种组水平的数值分类学应用研究。(2)基于叶片解剖学指标运用模式识别分类器在山茶属植物组水平上的分类研究。(3)基于叶片颜色分形和RGB强度值指标的模式识别分类器在山茶属植物组水平上的分类研究。(4)基于光照强度和叶绿素荧光参数的模式识别无损伤技术在山茶属植物叶片叶绿素含量的预测研究。主要研究结果如下：(1)利用山茶花的形态学基础数据以及衍生数据,对山茶属油茶组(Sect. Oleifera)和短柱茶组(Sect. Paracellia)的19个物种应用支序分析进行数值分类研究。本研究分类结果基本和前人得到的结果一致。另外,聚类结果支持以下物种合并：油茶(C. oleifera)和越南油茶(C. vietnamensis);茶梅(C. sasanqua)和冬红短柱茶(C. hiemalis);短柱茶(C. brevistyla)和粉红短柱茶(C. puniceiflora);长瓣短柱茶(C. grijsii)和陕西短柱茶(C. shensiensis)。而且,我们建议樱花短柱茶(Cmaliflora)更适合被当做茶梅(C. sasanqua)的变种,褐枝短柱茶(C. phaeoclada)归并到短柱茶组(Sect. Paracamellia)中也相当合适；此外,本研究支持了以下物种可被合并：大姚短柱茶(C. tenii)和琉球短柱茶(C. miyagii),小果短柱茶(C. confusa)和窄叶短柱茶(C.fluviatilis)。(2)植物叶片特征为植物分类结果提供了很多有价值的信息。我们利用7个叶片解剖学属性数据：上表皮细胞面积、上表皮细胞厚度、栅栏组织厚度、叶片总厚度、海绵组织厚度、下表皮细胞厚度和下表皮细胞面积,结合运用BP-ANN和SVM对来自三个组的山茶属植物的47个物种(金花茶组Sect. Chrysantha16种,瘤果茶组Sect. Tuberculata16种,短柱茶组Sect. Paracamellia15种)进行分类。其中SVM模型的最佳惩罚参数(C=32)和核函数参数(γ=0.13)通过交叉验证得到。识别分类的最高精度(84.00%的训练集精度和90.91%的测试集精度)由径向基(Radial basis function)支持向量机分类器(RBF-SVM classifier)和Sigmoid支持向量机分类器(Sigmoid SVM classifier)得到。相比较BP-ANN对测试集的识别分类效果(86.36%),SVM的分类效果更佳。因此,基于叶片解剖学数据,应用SVM对这三组山茶属植物的准确分类是可行的,将SVM作为植物分类学中的工具具有潜在应用价值和意义。(3)本研究旨在验证上述模式识别分类器的有效性,且进一步补充分类器的快速识别性能。以来自五个组的山茶属植物的68个物种(糙果茶组Sect. Furfuraceal1种，短柱茶组Sect. Paracamellia13种,瘤果茶组Sect. Tuberculata15种,连蕊茶组Sect. Theopsis和红山茶组Sect. Camellia5种)作为研究对象,利用叶片分形参数(Leaf parameters analysis, FA)和叶片红、绿、蓝(RGB)强度值为基础数据,结合SVM分类器进行效果验证。结果显示使用RBF-SVM分类器在最佳参数下(C=16,γ=0.5)可达到最高分类识别精度(96.88%),线性核函数分类器(Linear-SVM)分类精度90.63%,Sigmoid-SVM分类器和多项式核函数分类器(Polynomial-SVM, d=2)分类精度分别为40.63%和93.75%。利用基础数据做的聚类图的分类效果亦符合前人的研究结果。因此,RBF-SVM结合FA和RGB值的分类器可用来快速无损且精确的对山茶物种分类和对其他未知基因型的识别。(4)传统分光光度计法测叶片叶绿素含量是一种破坏性和耗时的方法。本研究旨在评估BP-ANN结合叶绿素荧光(Chlorophyll fluorescence, ChlF)参数及光照日变化值组合的系统对山茶属叶片叶绿素含量快速无损预测的能力。选取14个组山茶属植物的60个物种,分阴生叶、阳生叶及阴阳混合总叶片,利用最佳神经元分别对叶绿素a,叶绿素b,叶绿素a+b,叶绿素a/b预测。BP-ANN模型的预测效果以实验值和预测值的相关系数为准。其中总叶片预测结果相关系数虽然只有0.1549-0.8925,但当叶片分开后,尤其是阴生叶预测结果相关系数达到0.9953-0.9983。可见,ANN-ChlF系统可被视为对山茶属物种阴生叶的叶绿素含量的快速无损预测的强大工具,且在其它绿色植物中的应用具有较大的潜在价值。综上所述,本研究为模式识别技术在山茶属数值分类学和叶绿素含量预测研究提出了新思路,亦达到了预期目标,为该技术的进一步软件开发和发展完善奠定基础。证明基于不同器官花和叶片的基本解剖学、形态学以及生理学数据,应用模式识别技术对山茶属植物的准确分类是可行的,尤其是RBF-SVM分类器,作为植物分类学中的工具具有潜在意义和应用前景,值得推广应用。