计算机视觉包括许多方面,而图像分类就是其中的热点内容。图像分类可以理解为使用计算机并利用算法找出图像的类别标签并区分不同图像的类别的过程。图像分类有以下几个步骤:图像的预处理、特征提取和分类器分类,在这几个步骤中,特征提取尤为重要,决定了图像分类准确率的高低。在传统的图像分类任务中,常常通过提取图像的纹理和色彩进行进行判断,这种方法对简单图像的分类有较为理想的效果,但是对于复杂图像的分类却是无法实现。因此,对于复杂图像分类效果更优的基于卷积神经网的图像分类算法已逐渐成为关注热点。基于此,本文提出利用卷积神经网络（CNN）提取图像特征的优点,并结合支持向量机（SVM）,设计出新的混合模型以减少图像训练的时间和提高图像识别的准确率,将其应用于图像分类识别的研究中,完成对有毒花卉的分类和识别,验证了混合模型的优势。本论文的主要研究内容如下:（1）首先需要选择多种类型的花卉分为有毒无毒两大类,通过网络公开的数据集下载和实地拍照等方法采集这些花卉的图像,并对图像进行增强和预处理,建立自己的花卉图像数据集。（2）然后比较了LeNet、AlexNet、VGG等不同卷积神经网络的优点,选择Alex Net网络模型对其进行改进来提取图像特征,优化激活函数,融合支持向量机组成混合模型,将混合模型运用于有毒花卉的分类识别。对混合后的模型进行了训练和测试,并与原模型做了对比实验,实验结果表明混合后的模型具有更快的收敛速度和更高的识别准确率。（3）最后用Pytorch框架编写网络模型和训练测试系统,用Django框架进行网页的编写,实现可视化交互,通过设计的混合模型,要实现输入花卉图片,输出这个花卉的名称和花卉是否有毒的功能。经实验结果表明,新提出的混合模型对于有毒花卉的分类效果优于原模型,提高了识别的准确率,并更具有鲁棒性,基于混合模型的有毒花卉分类识别系统在预防花卉中毒事件发生、维护生态多样性和提高科研人员工作效率方面具有一定的实用价值和研究意义。