伴随着计算机科学技术的飞速发展,我们通过移动电话或照相机等终端设备可以很方便快捷的拍摄各种花卉图像,但是对于花卉图像的分类和识别并不是每个人都可以做到的。通常需要具有专业知识和具备丰富经验的专家指导下才有可能正确的进行识别和分类。花卉图像精细分类是图像分类研究范围中最重要的方向之一。由于花卉生长的环境复杂并且花卉本身具有多样性,通用物体分类的相关算法模型并不能很好的解决花卉图像精细分类问题。针对花卉图像精细分类的问题,论文从花卉图像显著性区域特征提取和利用融合显著性区域的双流卷积神经网络提取花卉具有判别力特征这两个方面来研究花卉图像精细分类。主要的研究工作如下:为了降低花卉图像繁杂背景对分类结果的影响,本文提出了基于显著性区域的花卉图像特征提取的方法。利用视觉注意力模型得到花卉图像的显著性图,再由显著性图计算花卉图像具有判别力的显著性区域,在显著性区域上提取特征用于花卉图像精细分类。实验表明,本文的方法避免了手工标注判别力区域和优于先分割再进行特征提取的方法,增强了对拥有复杂背景的花卉图像精细分类任务的适应性。针对花卉图像本身多样性,类内相对差异性较大和类间相对差异性较小的问题,传统解决通用物体分类的卷积神经网络模型缺少对花卉图像判别力区域的进一步对比分析,而基于显著性区域提取特征直接用于花卉图像精细分类任务又缺少一些重要的花卉信息。因此本文提出了融合显著性区域的双流卷积神经网络花卉图像精细分类方法,该模型采用一种双流设计,利用卷积神经网络分别对原图和图像显著性区域进行特征提取,彼此独立训练,并将上下分支卷积神经网络提取的特征进行融合用于花卉图像精细分类。实验结果表明,该方法可以有效地解决花卉图像精细分类的问题。比直接采用端到端的卷积神经网络进行花卉图像精细分类和直接利用在显著性区域上提取特征进行分类所取得的分类效果都要好。