随着温室大棚的普遍性,种植的花卉类别日渐繁多,因此花卉分类以及生长监测过程需要耗费大量的人力物力。且由于花卉种类多,类间差异小、类内差异大,再加上所处环境复杂,传统的图像分类方法不能很好地解决这类问题。针对以上问题,运用深度学习对花卉图像实现自动分类以及叶部病害识别成为了研究的热点,这在园林花圃的智能化管理中具有重要的应用价值。所以,在深入分析了国内外研究成果的基础上,本文以深度学习和迁移学习为理论指导,进行了花卉图像分类以及病害识别的研究。主要工作内容如下:（1）传统的花卉图像分类都是基于人工手动选择单一特征或者多特征融合再分类,这种方法普遍存在精度低、成本高、泛化能力弱等缺陷。针对此问题,提出一种将注意力机制与ResNet18结合的花卉图像分类方法。首先以ResNet18为基础模型,将全卷积结构的思想应用于网络模型中,将ResNet18的全连接层替换成卷积层以优化网络模型;其次在优化后的ResNet18中融入混合域注意力机制,最后由softmax层分类。本文在Oxford17flowers和Oxford102flowers两个数据集上实验,结果表明,该改进的方法取得了较好的效果。（2）针对花卉图像病害识别的问题,本文选取杜鹃花叶部病害图像为研究对象。利用传统模型和深度模型做对比分析实验,研究适合于杜鹃花叶部病害图像识别的方法。由于传统的Bo F缺乏空间信息,本文利用一种改进式Bo F模型,应用于叶部病害图像识别。该算法在基于Lab的颜色特征中融入有序的空间信息形成新的空间颜色聚合特征,通过多类特征学习算法融合颜色特征和SURF算法提取的局部特征实现图像分类,基于Lab颜色聚合特征的改进式Bo F模型识别率达到了89%。由于深度模型结构复杂,参数规模大且容易过拟合等问题,提出了基于深度模型迁移学习的病害图像识别方法。通过在花卉图像数据集上的预训练保存权重参数,然后迁移到叶部病害数据集上对模型进行重新训练,实验结果达到了96.87%的正确率,说明迁移学习的方法具有良好的准确性和泛化性能。（3）根据实际需求,设计、实现花卉图像分类原型系统。将花卉分类模型以及病害识别模型导出放入文件夹。用户可以通过选择文件夹中的图片,也可以通过摄像头进行实时分类,同时需要选择相应的模型,最终在页面给出分类结果。