图像分类技术在基于植物叶片的物种识别研究中发挥着关键作用,近年来,关于植物物种识别的研究层出不穷,然而叶片形态特征能否为同一物种的不同品种提供足够的分类依据目前尚不明确。大豆作为一种重要的经济作物,具有丰富的生产和食用价值,品种识别在其质量评价和农业生产等场景中扮演着至关重要的角色。大豆叶片外形品种间差异小而品种内差异大的特点给识别任务带来了较大挑战。本文以大豆品种识别为研究目标,提出了两种性能较高的品种叶片识别网络模型,主要工作如下:(1)构建了大豆多品种叶片数据集并运用深度卷积网络提取具有较强区分性的大豆叶片特征。大豆品种识别较传统意义上的植物物种识别任务更具挑战性,难以针对性地设计相应的特征描述子,利用深度卷积网络探究并提取了叶片全局与局部信息对品种识别效果的影响,并改进已有的双路网络模型TwoCNN,其网络层级更深,特征提取能力更强,从而更好地融合叶片全局与局部特征用于大豆品种识别。实验结果表明,单一的叶片全局与局部信息均未能取得较理想的品种识别效果,通过增大局部信息丰富度可以小幅提高识别准确率并略微优于全局信息所对应的识别效果,但品种识别效果还存在较大的提升空间。融合全局与局部特征的双路网络模型将识别准确率提升到了较高的水平。(2)提出了全局与局部混合双线性池化的大豆品种识别模型。该模型将双路网络的卷积层模块作为叶片特征提取器,然后将输出特征图沿通道方向映射到较高的维度,池化作用后的局部特征向量与映射后的全局特征图进行逐通道的内积运算,将得到的混合特征图实施求和池化操作,将最终的混合特征向量输入到分类层用于大豆的品种判别。实验结果表明,通过选择合适的映射通道维度可在一定程度上提升识别效果,且该模型能够在不降低识别准确率的情况下显著减少网络参数量,并取得较其他先进的植物叶片识别网络更好的品种识别效果。进一步的性能分析表明,该模型具有相对更优的CMC曲线,在大部分的大豆品种上达到了较高的识别水平。(3)提出了多层级混合双线性池化的叶片识别模型。将单一层级的全局与局部混合双线性池化运算扩展到多层级,可在一定程度上整合更多的中间层信息。根据网络层级间交汇形式差异可分为稀疏型、跨层级型和稠密型三种混合双线性池化方法,分别表征不同的混合特征表示。类似地,通过映射多层级特征图到较高的维度可有效改善三种模型的品种识别效果。实验结果表明,多层级混合双线性池化模型的品种识别准确率要明显优于其他先进的植物叶片识别网络,且在单一层级的全局与局部混合双线性池化模型识别准确率的基础上也有了较大的提高。在MalayaKew和Leaf100植物叶片公开数据集的实验进一步证明了该模型在叶片识别问题上具有一定的通用性,且在识别准确度上表现出较大的优越性。本文的主要贡献在于针对大豆品种识别这一具有较大挑战性的问题进行探索研究,构建了一个全新的大豆多品种叶片数据集,分析具有较强品种区分性的大豆叶片特征,提出了性能较高的端到端品种识别网络模型,并通过实验证明了所提出方法的有效性和优越性。本文的工作对其他作物品种的识别研究具有借鉴意义,同时可为作物育种与农业生产提供一定的理论及技术支撑。