随着信息技术的快速发展,通过移动设备获取花卉图像,并能快速准确的对花卉进行识别与分类的应用研究受到了广泛的关注。自然条件下采集的花卉图像存在较大的背景干扰,又因其本身的类间相似与类内多样性为识别带来了较大难度。针对花卉图像识别面临的挑战性,本文采用基于卷积神经网络的识别算法对花卉进行识别与分类研究,取得了较为理想的分类效果。本文主要研究内容包括:(1)提出以卷积神经网络为特征提取器的花卉识别算法。本文设计了一个具有7个卷积层、7个批标准化层、2个最大池化层和1个全局平均池化层的卷积神经网络作为特征提取器,并选择了泛化能力较好的支持向量机与随机森林分类器代替卷积神经网络的Softmax层,将提取的特征训练分类,同时比较二者的分类精度,最后得到了卷积神经网络与随机森林分类器相结合的最优分类模型。(2)提出基于轻量级卷积神经网络MobileNet的特征复用与特征重构改进算法。首先针对MobileNet特征利用率较低的问题进行改进,通过复用低层的特征,将不同低层输出的特征图做通道间的合并同时作为高层网络的输入,改善了特征图的利用率。本文提出了三种特征复用的方式,并详细分析对比了三种方式对花卉识别准确率的影响。在此基础上对MobileNet的基本结构深度可分离卷积提取的特征进行重构,通过损失函数学习各个特征图之间的相关性,实现不同通道的特征加权与重标定,加强了有效特征的学习并抑制无用的特征。在花卉数据集上的实验结果表明,本文改进的网络分类准确率更高,能够更全面地描述花卉的特征信息,同时具有更少的参数量与计算量,更适合在移动端部署从而应用到生产生活领域。(3)本文同时提出基于MobileNetV2的改进算法,对不同层特征图进行复用的同时,对倒残差单元提取的特征进行重构。同时对比了基于MobileNet与MobileNetV2的改进算法对花卉分类准确率的影响。