植物在整个生态系统中扮演举足轻重的角色,全球的森林覆盖率为31.7%且分布广泛。对于植物的识别分类能够帮助我们进一步完善全球生态体系,建立完整的生物资料库。植物叶片是分辨其种类的主要参考对象。传统的的识别方法切入点在于在轮廓的形态分析、叶脉的走向分析等。随着现代科技的不断革新,深度学习技术凭借其对于图像特征提取的优势逐渐发展起来。本文围绕基于改进的深度学习的植物叶片识别算法的模型与实现问题开展研究,主要研究内容包括如下几个方面:(1)针对小数据样本训练深度网络模型时产生的过拟合问题,采用两种解决方案。一方面,研究并改进了对数据图像预处理的方法,通过DCGAN方法扩充数据库图像,使之达到深度网络训练的基本要求;另一方面,利用迁移学习将网络模型应用于参数训练上,以提高植物叶片识别的准确率。通过Inception V3和VGG-16两种模型进行优化前后的对比实验,结果表明,此算法可以提高识别植物叶片的效率。(2)针对网络模型参数过大导致其存储及计算代价过高的问题,采用改进的神经网络压缩方法。首先,利用递归贝叶斯算法进行网络剪枝,自适应地去除网络冗余;然后,引入K-means聚类量化网络中的卷积层和完全连接层。通过对比实验,分别对比仅修剪、仅量化和修剪加量化三种情况下的压缩度和准确度。得出融合算法效果最好;最后,结合经典卷积神经网络模型VGG-16,进行植物叶片识别实验。结果表明,此算法可以将VGG-16压缩32倍。(3)在嵌入式平台Jetson Nano上对模型进行了部署,并通过摄像头采集的植物叶片图像对模型的检测和识别性能进行了测试。测试结果表明模型能够以较快的速度对不同种类的叶片进行分类识别,识别准确度达到了 92.2%。