植物是地球上最基本的生命组成部分之一,保护植物种类多样性对维持地球生态系统的平衡至关重要。植物保护的前提是对植物有准确的分类和识别,以便完善植物数据库系统。为了解决基于传统机器学习方法的植物叶片图像分类准确率偏低的问题,利用堆栈自动编码器能够从原始数据中自动学习数据高层表示特征的特点,进行基于堆栈自动编码器的植物叶片图像分类研究,构建一个在植物叶片图像分类上性能良好的网络模型,提高植物叶片的分类准确率。本文的主要研究内容如下:(1)为了解决堆栈自动编码器过拟合的问题,在输入层连接一层去噪自动编码器,采用随机置0的方法对训练数据造成损坏,对受损数据进行特征学习,可以得到更具鲁棒性的特征,训练数据和测试数据之间的差异可以降低训练中过度拟合的可能性。(2)针对稀疏自动编码器不能对每个输入神经元进行稀疏限制的问题,在稀疏自动编码器上使用k稀疏方法,在隐藏层中仅保留k个激活值最高的神经元,剩余激活神经元归零。该方法实现对隐含层每个输入神经元的稀疏限制,使得训练阶段和测试阶段数据的稀疏不匹配,可以更集中于对叶片图像的关键信息进行特征表示,使得分类精度有所提升。(3)针对堆栈自动编码器的多层结构和大量的神经元导致训练时间很长的问题,在每层稀疏自动编码器输入数据上添加批量归一化,解决内部协变量偏移问题,可以加快网络模型训练速度,减少训练时间。(4)设计网络模型类比实验,验证改进的堆栈稀疏去噪自动编码器在植物分类上分类准确率提高,更具鲁棒性。