准确了解植物的种类对保护生物多样性至关重要。传统的植物识别主要依靠研究人员的主观判断,这种方法费时费力,因此本文提出了两种自动化的植物叶片图像识别方法。1)基于特征的植物叶片图像识别方法。首先,对植物叶片图像进行预处理,主要包括图像灰度化、图像二值化、中值滤波以及形态学滤波运算操作,最终得到用于特征提取的二值图像和灰度图像。然后在二值图像上提取形状特征,在灰度图像上提取纹理特征,由于提取到的19维叶片特征存在不同量纲的问题,因此对特征进行归一化处理,接着采用主成分分析方法对归一化后的特征进行降维,最后将降维后的特征向量输入到BP神经网络分类器中进行训练。最终在自建的植物叶片图像数据集中进行分类识别,测试集准确率为90.14%。2)基于迁移学习的卷积神经网络植物叶片图像识别方法。首先对植物叶片图像进行随机水平、垂直翻转操作来扩充植物叶片图像数据集,接着将扩充后的数据集以4:1的比例分成训练集和测试集。然后将AlexNet、VGG-16、Inception-V3模型在ImageNet大型图像数据集上进行预训练,基于迁移学习的理论,将学习得到的模型参数迁移到本文的小样本植物叶片图像数据集上。在不改变其他参数的基础上,只是替换最后一层全连接层神经元个数为植物叶片种类数,从而训练得到植物叶片识别模型。将该方法在ICL数据库上进行实验,实验结果表明,利用AlexNet、VGG-16、Inception-V3预训练模型得到的测试集准确率分别为95.31%、93.86%、95.40%。最后将本文的两种方法在自建的植物叶片数据集上进行对比实验,实验结果表明基于迁移学习的卷积神经网络植物叶片图像识别方法效果更好。