本文以深度学习为背景,从中选取了四种常用卷积神经网络,设计并实现了相似花卉识别系统,同时将结果应用于安卓手机平台。还以基于深度学习的神经辐射场为背景,实现了稀疏图像下高清三维动态视图的还原。本文的主要工作内容如下:（1）相似花卉数据库的构建。数据库图像由我国极具代表性的花卉月季花中四种相似度较高的月季种类亚伯拉罕达比、自由精神、美咲和真宙构成。首先在自然条件下对上述月季的花朵图像进行拍摄,再通过将图像的裁剪、旋转、翻转等预处理过程对获得的图像进行扩充,最终得到相似花卉数据库共有800张花朵图像,其中每类月季均有150幅作为训练集,50幅作为测试集。（2）相似花卉图像识别的实现。为实现相似花卉的识别,使花朵图像的特征更容易被提取,本文从深度学习入手,选择了四种常用的卷积神经网络Res Net、Dense Net、Inception V3、Squeeze Net为识别工具,经过训练后得到训练模型,又引入了混淆矩阵、准确率、精确率、召回率等模型评价标准,对识别结果进行比对筛选出最优网络模型,同时运用GPU对训练以及识别过程进行加速,并对上述四种网络的训练及识别过程的时间进行统计。最终对测试结果产生的数据进行统计后对比得出Inception V3网络经过训练后得到的模型较其余三种网络而言识别率最高,识别与训练速度较快,可以作为相似花卉识别的最优模型的结论。并以上述四种模型为工具,共同搭建了PC端与安卓手机端的相似花卉识别平台,增强应用性。（3）深度学习下的三维重建技术。本文根据前人搭建的神经辐射场实现了基于深度学习的三维视图重建,既能降低传统三维重建技术对数据库含量的要求,分别从不同角度拍摄花卉图片,实现其三维模型的构建,又能通过不同数据集下三维重建的清晰度对比确定最低输入值。将本文搭建的基于深度学习的花卉识别系统与三维重建系统应用于花卉分类与花卉观察的工作中,不仅为科研人员的操作及实验过程提供了平台,对我国智慧农林业的持续发展也具有一定意义。