在植物科学研究、农林业调查和生产管理领域,植物鉴定是至关重要的基础工作,而花卉鉴定是植物鉴定的重要组成部分。人工花卉种类信息查询和传统计算机视觉方法存在着成本高、效率低和准确度低的问题。将卷积神经网络应用在花卉识别任务中,花卉的识别准确率较传统方法有了质的飞跃。但由于拍摄图片的角度不同导致花卉图片中主体朝向各异使卷积神经网络模型产生了识别准确率低下的问题。针对产生的问题作了如下研究:首先,通过对花卉图像识别和深度学习领域的研究,发现花卉识别过程分为如下几个基本模块,分别为花卉图像数据获取、预处理、特征提取和花卉分类得出识别结果。传统花卉识别中在对花形图像进行量化时,最重要的三个属性是颜色、纹理和形状。卷积神经网络中的卷积层、池化层、激活函数、损失函数、反向传播和梯度下降基本原理以及迁移学习对花卉识别有着重要意义。然后,研究了目前比较知名的3个神经网络:LeNet、CapsNet、ResNet的算法原理。分析了卷积神经网络由于其自身的局限性,存在着丢失大量位置信息的问题,导致对于旋转变换后的图像识别率下降。而胶囊网络模型图像识别过程中保留了位置信息,在手写数字数据集上创下了新的记录。但如果直接将胶囊网络应用到花卉识别效果并不好,因此提出了改进的胶囊网络模型来解决花卉识别中出现的问题,并达到了94.1%的识别精度。介绍了牛津17和牛津102数据集并从中选取了50种具有代表性的花卉品种组建了新的花卉数据集。在新建花卉数据集上对现有的三种神经网络模型以及改进的胶囊网络模型进行实验对比分析。最后应用基于Python语言的Django框架搭建的花卉识别服务器,搭建了mysql花卉数据库,用mui框架搭建了花卉识别移动端前台界面,实现了手机端和电脑上传花卉图片完成花卉识别任务。图31幅;表4个;参51篇。