木材资源的有效利用与市场交易以准确的木材树种识别为基础,但传统的人工识别木材方法存在着周期长、任务重和人为干扰多等问题,因此探索准确快速的木材树种识别方法是木材领域重要的研究内容之一。近些年来,深度学习技术取得了较为突出的进展,其被广泛应用于众多的领域,尤其是在图像识别领域的实际运用中取得了显著的效果。本文基于深度学习中的轻量级卷积神经网络算法,以木材树种的三切面（横截面、径截面、弦截面）图像为研究对象,构建了一个改进的轻量化木材树种识别模型,并根据该木材树种识别模型构建了图形应用程序。主要研究内容如下:（1）构建木材树种图像数据集。采用现场采集、网络收集两种方式获取研究所需的木材三切面图像数据集。现场采集通过在校木材标本室采用人工拍摄的方式获取木材三切面图像;网络收集通过Barmpoutis的公开数据集获取木材三切面图像。选取土耳其栎、杉木、杨桃、柏木、核桃、欧洲山毛榉、欧洲板栗、法国梧桐、雨树、黄杨共十种木材作为本研究的数据集,最终完成木材树种图像数据集的构建。通过图像尺寸归一化、图像灰度化和自定义直方图均衡化对木材树种图像数据集进行预处理,采用图像旋转镜像和图像随机裁剪扩充木材树种图像数据集,实现图像数据增强。（2）构建基于改进MobileNet＿v3＿small网络的木材树种识别模型。研究改进了轻量级MobileNet＿v3＿small网络倒残差结构bneck中的激活函数与网络的整体结构,在相同的木材树种图像数据集上,训练了Res Net50、VGG16、MobileNet＿v2、MobileNet＿v3＿small、MobileNet＿v3＿large以及改进的MobileNet＿v3＿small六种木材树种识别模型,使用图像测试集对其进行测试对比,以此检验改进后的网络模型性能。测试识别准确率分别为99.23%、98.31%、98.87%、97.93%、99.04%和98.85%,改进后的模型与MobileNet＿v3＿small模型相比识别准确率显著提升且参数量较为接近,与MobileNet＿v3＿large模型相比识别准确率小幅降低但减少了50%的参数量与计算量,综合考量准确率、参数量与计算量后,本文提出的改进模型在木材树种图像数据集上相比于其他几种模型有着一定的优势,其具有识别准确率较高且参数量与计算量相对较小的特性。（3）采用Python自带的Tkinter模块构建木材树种识别系统GUI,其包括用户登录GUI界面与木材树种识别GUI界面。木材树种识别系统GUI实现了登录注册,图像上传,木材树种识别,木材树种介绍等功能,为林业从业人员与从事木材研究的相关科研人员提供了一种分辨木材树种的新途径。