随着全球贸易交流愈加频繁,外来植物进入我国的机会也就愈多。外来植物不可避免的对我国自然环境造成影响,甚至有可能危及人身健康。快速而准确的识别外来入侵植物对保护我国生物多样性和经济环境有着重要意义。本文针对外来入侵植物叶片特征的提取和应用、识别模型的建立等方面展开了研究工作。本文主要分析了植物叶片的形状、纹理和颜色三方面的特征,共确定了33种特征用于描述植物叶片的性质。其中形状特征包括由叶片几何性质确定的无量纲特征和Hu式不变矩特征,纹理特征由灰度共生矩阵特征和Gabor纹理特征组成,颜色特征则是由颜色矩确定。提出了一种基于叶片图像特征分析的外来入侵植物叶片识别模型。该方法是基于机器学习中的BP神经网络算法,将提取到的33种描述叶片的特征预处理后,送入模型中训练。在自建的外来入侵植物叶片数据集上的识别准确率为90.63%。提出了一种将外来入侵植物叶片的Gabor纹理特征与高级语义信息融合的卷积神经网络识别模型。建立并行网络模型,分别输入原始叶片图像和Gabor纹理特征图像,在输出层前将提取的特征进行融合,通过Softmax函数获得识别结果。在自建的外来入侵植物叶片数据集上的识别准确率为99.39%。提出了一种基于改进VGGNet的外来入侵植物叶片识别模型。把VGG-16模型的第二层卷积替换为金字塔卷积层,用以提取不同细节的轮廓纹理特征,同时建立金字塔特征模块,把金字塔卷积提取的特征图通过池化的方式缩减高和宽的维度,形成金字塔式的特征图,将浅层轮廓纹理特征与不同网络层的特征融合。在自建的外来入侵植物叶片数据集上的识别准确率为99.63%。通过实验结果可以得出卷积神经网络相较于传统机器学习方法,大大提高了外来入侵植物叶片的分类识别准确率。同时本文所提的两种基于卷积神经网络的分类识别方法,可以减轻不同种叶片边缘相似而造成的识别准确率降低的问题。