和积网络(Sum-Product Networks，SPNs)是一种深度学习结构，具有多层神经网络和概率图形模型的双重含义，有利于进行精确且快速的概率推理.近年来，SPNs结构已被广泛应用于图像复原、行为识别、语音识别以及故障定位等多个研究领域，备受研究人员的关注.本文旨在研究SPNs的结构学习算法，并将其应用于花朵图像分类中.具体研究工作如下：　　首先，本文分析了SPNs结构的基本原理和性质，研究了不同结构学习算法的训练及推理过程.在此基础上，提出了一种新的SLSPN结构学习算法.该算法摒弃建立初始SPN结构的思想，直接从数据集出发，对变量集和实例集进行循环划分.考虑到结构的特性以及数据集的特点，SLSPN算法在划分过程中分别采用了平方相关度量和谱聚类方法，限制了算法的结束条件并对划分的顺序进行了适当调整.进一步地，利用19组高维数据集进行实验，通过与其他两个算法的实验结果对比，表明该算法在似然评分和运行时间上具有一定的优势.　　其次，论文研究了利用SPNs结构作为分类器对花朵图像分类的方法.由于拍摄到的图像易受杂乱背景、遮挡、同类目标个体形态差异及拍摄角度等因素的影响，因此，对图像提取一定量的像素小块，并对其进行零均值、单位方差以及白化等一些处理，进而使用PCA聚类算法以及池化操作对特征进行降维，提取到有效的特征向量.将这些特征向量作为SPNs结构学习算法的输入，训练得到分类器.通过Oxford17Flower和Oxford102Flower两个数据集的仿真实验，结果表明该方法在解决花朵图像分类任务中具有较好的分类性能.　　最后，通过对论文工作进行总结，表明SPNs结构是解决图像分类任务的一种有效工具，并且具有快速而精确的概率推理机制.