野生菌作为一种常见的食材,因为其富含多种微量元素,能够提升人的免疫力,所以深受人们喜爱。但是,近年来国内频繁出现野生菌中毒事件,究其原因,主要是对于普通大众而言,不具备鉴别野生菌种类的专业知识,容易将有毒野生菌误认为可食用野生菌,从而导致误食有毒野生菌而中毒。目前现有的野生菌识别分类方法普适性较低,不利于推广使用。因此,本文拟开发一种野生菌识别程序,利用深度学习技术辅助人们鉴别野生菌的种类,从而为减少国内野生菌中毒事件的发生做出一定的贡献,同时还可对野生菌相关知识进行科普。本文完成的主要工作如下:1、针对目前国内没有公开的野生菌图像数据集这一问题,本文通过实地拍摄和网络下载图片两种方式,构建了包含28个野生菌种类的图像数据集。2、提出了基于图像显著性区域提取和迁移学习的野生菌分类模型。该模型首先引入了EGNet算法对野生菌图像进行显著性区域检测,接着构建了一种野生菌显著区域提取模块,利用二值化的显著图来去除原图像的部分背景。其次,编写了全新的Res Ne Xt50输出层,最后采用迁移学习对模型参数进行训练。通过实验结果可知,改进之后的模型分类准确率达到了92.79%,较改进之前的Res Ne Xt50相比,准确率提升了2.34%。3、从注意力机制和特征金字塔角度出发,提出了基于注意力机制和特征融合的野生菌分类模型,针对现有的野生菌分类模型没有对数据集中的图像背景进行处理,本文首先利用通道注意力对Res Ne Xt50的残差块进行改进,增强对关键通道特征的提取。其次,嵌入了空间注意力机制,以此来增加Res Ne Xt50模型对图像中野生菌所在区域的关注程度。最后,构建特征融合与分类结构来将不同层级的特征进行融合,生成多尺度特征进行分类。实验结果表明,模型改进之后的准确率达到了94.28%,较改进之前模型相比,准确率提升了3.83%。4、针对目前现有的野生菌分类方法没有充分利用模型提取到的各级特征,本文提出了基于多尺度特征引导与融合的野生菌图像分类模型。首先基于最新的Soft Pool方法和金字塔池化思想,构建了多尺度软池化模块。其次,设计了两种特征融合模块来实现不同尺寸特征的融合。最后结合Dense Net网络的连接思想,将多尺度软池化特征连接到其他卷积层,引导网络进行特征学习,再将融合之后的特征进一步整合,生成联合特征进行分类。通过实验结果可知,改进之后的Res Ne Xt50模型分类准确率达到了95.02%,较未改进的Res Ne Xt50提升了4.57%,同时优于现有的野生菌识别分类方法。5、最后,基于Flask框架和Gunicorn服务器,选取本文分类精度最高的野生菌分类模型编写后端接口,开发了一款具备野生菌识别功能的微信小程序。