近年来随着科技发展,生活中许多领域都在逐渐实现智能化管理并有所成效。而在蔬菜识别领域,如超市、菜场等场所的蔬菜产品交易以及智能冰箱的蔬菜食材管理等应用中并未完全实现智能化这一点,需要采用图像识别技术进行研究。然而与其他领域不同,蔬菜图像识别的研究缺乏特定的图像数据集的支持。本文基于果蔬图像集Veg Fru,在剔除若干主体不明确的干扰图像后自行构建了蔬菜集。已有的文献一般构建混合粒度蔬菜集进行研究,本文与此不同,分别构建不同粒度的蔬菜集并分别进行研究。构建的细粒度蔬菜集大多属于同一个蔬菜大类,分别命名为cabbage5、melon12、eggplant7、vegetable15,图像场景复杂,具有细粒度图像普遍存在的识别难点;粗粒度蔬菜图像集命名为coarse-vegetable15,包含生活中常见的15种蔬菜,类间具有比较明显的特征信息。首先本文针对细粒度蔬菜集进行了识别研究。为了验证算法的有效性,选取公开数据集Supermarket Produce Dataset和Oxford 17 Flowers用于横向对比并分别采用传统识别技术和常规卷积神经网络技术用于算法对比。传统识别技术采用鲁棒性较强的BOW结合SPM的底层特征提取模型,卷积神经网络技术则采用规模较小的Caffe Net、Res Net10网络。基于压缩网络参数的角度本文设计了new Net网络,主要以小尺寸的卷积核构成连续卷积层来尽量减少池化层的应用,并减少了稠密连接的全连层的使用。与Caffe Net、Res Net10相比,本文设计的网络所需的参数量较少,在一定程度上提高了识别性能,与传统技术相比,分别提升了9.95%、24.45%、36.99%、25.80%;同时针对细粒度图像区分难度较大,提出了基于网络跃迁思想的网络结构,将低层特征跃层连接到网络分支并结合Center Loss从而实现低层特征与高层特征的融合,使网络学习蔬菜图像更为细致的特征,实验结果证明了网络结构的有效性,识别准确率普遍优于new Net,分别达到了76.73%、66.28%、66.65%、61.37%。最后对于粗粒度的蔬菜图像集进行了研究。由于coarse-vegetable15规模较小,针对直接应用卷积神经网络模型可能由于训练不充分而产生过拟合问题,提出了基于迁移学习的图像识别技术。利用在大规模数据集上训练好的网络模型迁移部分网络结构和相关参数并通过扩展层的自适应学习使网络在耗费较小的计算成本和训练时间的基础上达到一定的识别准确率,基于Caffe Net和Res Net10模型分别取得了94.97%、96.69%。