野生菌种类丰富,作为重要的食材,其味美且富含多种营养元素,同时在我国分布广泛,是许多贫困地区的重要经济来源。许多不同种类的野生菌在外观上十分相似,同种类在不同生长时期也存在差别较大的情况,这就导致每年因误食野生菌而中毒的事件时常发生,严重的甚至危害生命。因此,如何帮助人们有效快速地区分野生菌是否有毒、是否可食用是一项迫切的任务。传统识别方法大多依赖安全性不高的民间经验,而利用实验器材进行分析又难以普及。目前深度学习在图像分类任务中已经有了很广泛地应用,识别的准确率也在不断提高。但是目前基于深度学习的野生菌识别分类研究较少,因此本文通过拍照和爬虫建立了包含34种野生菌的数据集,利用深度学习方法进行研究,探讨解决传统野生菌分类难且易出错问题的方法。本文完成的工作内容有:首先,结合迁移学习,使用微调的训练方法,对比了8个卷积神经网络在本文野生菌数据集上损失曲线和识别准确率的表现情况,选择了表现更好的Res Net50（95.59%）作为基础网络进行研究。其次,根据野生菌类间相似度高,类内差异大的特点,可将其视为细粒度图像分类任务。特征融合是解决细粒度分类问题的一种思路,同时由于卷积神经网络固定输入图片尺寸的特性,需要对图像进行一些转换操作,容易造成图像特征丢失的情况。针对以上问题,参考特征融合,结合了空间金字塔池化（SPP）和归一化激活层（Evo Norm-S0）改进Res Net50,再加上迁移学习权重参数,最终该改进方法在本文野生菌数据集上Top1准确率提高了2.38%,达到97.97%。最后,由于Res Net50改进后的模型有540.65MB,不利于端到端使用场景,从轻量化网络的角度出发,选取了Mobile Net＿v2,结合注意力机制模块CBAM并对其进行了改进,将空间和通道模块的连接方式从串行改为并行得到PA＿CBAM,使用迁移学习训练,改进后的模型Top1准确率达到了97.48%,比CBAM提高了2.03%。在保持不错的识别准确率的同时还提供了一个大小仅为9.86MB的模型,该方法在性能和模型规模方面都是更优地选择,然后将该模型部署到了一个的Web App上测试,并获得了不错地识别效果。