植物研究者和植物爱好者收集了很多植物图像。但是,对这些植物图像进行识别和分类却需要大量的人工。大量植物图像的识别和分类给有限的植物分类器带来了巨大的压力。如果可以自动对植物图像进行识别和分类,则大大提高分类和识别的效率。本文主要围绕着花类植物图像的识别分类开展相应的设计和研究。首先设计基于植物叶片特征的识别系统,得出识别准确率用于对比研究。之后在卷积神经网络的基础上加入Bottle Neck技术和注意力模块来提高识别准确率。本研究不仅能为高效识别花类植物提出合适的检测手段,也能为其它图像识别提供值得参考的模型设计理念。本文研究的主要内容包括以下几个方面:（1）设计基于特征工程的植物识别系统。通过对植物叶片采取图像预处理、特征提取、特征处理等操作提取植物叶片的纹理、形状特征。最后设计3层BP神经网络做为分类器识别特征,得出识别结果,最终的识别准确率为90.24%。（2）提出了一种基于Bottle Neck技术的CNN植物图像识别模型。Bottle Neck一般用于深度较高的网络,主要的作用就是减少计算的参数量,使用1×1网络的一大好处就是可以大幅减少计算量。深度可分离卷积中,也有这样的设计考虑。我们将Bottle Neck技术和所设计的CNN模型进行结合以进行花类植物图像的识别实验,总体的分类正确率达到了97.63%,识别的效率在工业上有较好的及时性。（3）提出了将注意力机制融入到Bottle Neck-CNN模型。在计算能力有限的情况下,注意力机制（Attention Mechanism）是一种资源分配方案,是解决信息超载问题的主要手段,将计算资源分配给更重要的任务。卷积神经网络通过学习图像的特征表示进行图像分类,然而图像特征中往往存在大量的无关特征甚至是干扰特征,因此我们提出将注意力机制融入到Bottle Neck-CNN模型中。在后续的实验中验证了加入注意力机制后,模型的整体分类识别率达到了98.26%。