花粉的识别在孢粉学、法庭科学和古气候重建等领域中都发挥着重要的作用。目前,大部分花粉图像的自动化识别精度较低,且花粉图像识别模型的训练时间较长。因此,实现花粉图像识别模型的高精度和快速识别具有重要的意义。基于公开花粉图像数据集POLEN23E和POLLEN73S,引入卷积神经网络对花粉图像进行分类识别,重点研究了花粉图像的数据增强、参数优化方法以及花粉图像识别模型的构建。主要研究内容如下:1)为了保证实验的可靠性与真实性,采用随机选取的方式,使用K折交叉验证的方法对花粉图像数据进行划分,并采用图像翻转、色彩调节、Mix Up和Grid Mask等数据增强的方法对原始图像进行处理,抑制模型的过拟合情况,从而提高模型的测试精度。2)针对花粉图像清晰度低、形状相近等特性所导致的识别精度较低的问题,提出一种基于动态高效网络的花粉图像识别模型。首先,在Image Net数据集上使用Noisy Student方法对Efficient Net进行预训练;然后,将训练后的权重迁移到花粉识别模型中;最后,引入动态学习率提升模型的识别精度。仿真结果表明,基于动态高效网络的花粉图像识别模型具有很高的分类精度。3)从模型的训练时间角度出发,提出了一种基于改进残差网络的花粉图像识别模型。首先,通过添加Dropout层等方法,对Res Net50进行模型微调;然后,将模型中标准的卷积替换为空洞卷积;最后,将模型中Relu激活函数替换为Mish激活函数。仿真结果表明,基于改进残差网络的花粉图像识别模型能够使用较少的训练时间,并达到令人满意的分类效果。4)为了更好地满足用户对于简约性、快捷性和人性化的需求。因此,设计了具有较好的交互效果的花粉图像识别平台。该平台软件主要包括用户注册登录、花粉图像数据选择、花粉图像识别模型训练、花粉图像识别模型测试验证、花粉图像识别等5个模块。通过实际验证,该平台为花粉图像的自动化识别提供了便捷的识别工具。图35幅;表11个;参55篇。