我国竹林资源极为丰富。由于竹类植物种间形态相似度高,开花结实周期长,且开花通常伴随着竹林的衰退和死亡,以花果形态结构为主要依据的被子植物传统分类法和DNA分子技术均无法完全解决竹类植物的分类问题。随着智慧林业的发展,新形式下的“数字竹类识别”是现代竹分类学发展的方向之一。通过多特征融合的竹叶图像处理技术探索竹亚科植物分类的新途径,降低人工识别的困难,对促进竹分类系统的科学统一,实现竹类植物机器化识别,研究竹种特征参数的定量化、竹亚科系统发育树和种间亲缘关系具有重要的现实意义。本研究以在四川省长宁县“世纪竹园”和青神县竹林湿地采集的共17属70种竹类植物叶片为样本。通过数字扫描仪获取正常大小竹叶图像,通过数码相机获取大型竹叶图像,共得到3500张图像,并以此建立BZY竹叶图像数据库。从BZY数据库中选取15属44种1760张健康成熟竹叶图像（包含12种单轴型竹、18种合轴型竹和14种复轴型竹）,每类竹种选取30张图像为训练集,10张为测试集。通过Matlab2018b编程软件对选取的竹叶图像进行归一化、灰度化、改进中值滤波、图像分割、形态学滤波和边缘检测的预处理过程。在此基础上,基于形态学特征提取Hu几何矩、纵横轴比、面积、形状参数等16维形状特征;应用灰度直方图和灰度共生矩阵提取能量、对比度、熵等10维纹理特征;采用改进的扇形投影傅里叶描述子（SP-FD）提取80维SP-Forioer特征;利用40个Gabor滤波器提取400000维特征,并通过PCA降维输出300维Gabor特征。最后利用训练集数据对极限学习机、支持向量机、概率神经网络和GA-BP神经网络4类分类器进行训练,得到最优训练模型,并对测试集数据进行测试得到最终分类识别率。本研究基于竹叶图像复合特征,探讨竹亚科植物分类新途径。主要结果如下:（1）通过Matlab 2018b编程软件完成了44类竹种叶片图像的预处理过程,基于竹叶形态学提取得到图像形状、纹理特征向量值,结果表明这些特征值均遵循Weibull分布,反映出竹叶片年龄、变异和着生位置的不同。（2）提取的竹叶图像特征值能数值化反映竹叶真实特征,对叶脉纹理粗糙度、叶形宽窄度等微小特征的描述也更为精确化和科学化,因此,可作为竹类植物分类学的定量化参考依据。（3）竹叶图像提取的形状、纹理复合特征值能有效提高竹叶图像分类识别的精度。在单轴型竹、合轴型竹、复轴型竹和综合分类上最高提升了20.00%、15.56%、7.86%和12.5%分类识别精度。针对单一特征和复合特征,极限学习机（ELM）对12种单轴型竹、18种合轴型竹、14种复轴型竹和综合分类的最高识别正确率分别为72.50%、75.56%、80.14%和85.00%。（4）在处理小样本问题时分类精度高,而随着竹属内竹种数量的增加,分类精度呈现下降趋势,但仍在80%以上,且对变种也具有高识别正确率。在竹变种的识别中,达到100%分类精度。在同属竹种的识别中,绿竹属（Dendrocalamopsis）、倭竹属（Shibataea）和矢竹属（Pseudosasa）最高竹种识别率均达到100%;牡竹属（Dendrocalamus）和大明竹属（Pleioblastus）最高分类正确率可达到95%以上;刚竹属（Phyllostachys）和簕竹属（Bambusa）最高分类正确率分别为85.56%和84.44%。在不同属的识别中,15属竹种（每属选取1类）进行识别,分类精度也可达81.33%。（5）本研究利用训练集数据对极限学习机、支持向量机、概率神经网络和GA-BP神经网络分类器进行训练,得到最优模型,再分别对测试集数据进行识别,最高分类率达到72.45%。极限学习机对于竹叶图像分类识别具有良好的泛化能力,但因同种甚至同株竹种上叶片特征具有的区间性和复杂性,分类器的性能还有待改善和提升。综上所述,竹叶图像在小样本数时分类识别率高,但样本量高时分类精度偏低,与竹叶相似度、图像提取特征维数和分类器性能相关。因竹叶形态的高相似度和区间波动性,竹叶图像的分类识别是一项复杂且艰难的工作。随着特征提取和分类器性能的改善,图像处理技术能为竹亚科植物分类识别提供切实可行的科学依据。