森林资源是地球陆地生态圈的主体,在维护生态平衡的过程中发挥关键作用。缺林少绿仍是我国面临的问题,准确识别林木种类信息则是保护森林资源的前提,针对人眼和传统固定阈值提取特征对树种进行识别的方法不仅效率不高、识别率低、操作复杂而且对经验要求极高的问题。本文提出以卷积神经网络为核心的方法,通过优化的卷积神经网络模型对不同树皮纹理图像进行自动树种识别。基于此问题,本文研究内容如下:针对传统树种识别方法的不足,本文应用1个浅层和2个深层卷积神经网络,分别对东北地区常见的水曲柳、家榆、白桦、红皮云杉、蒙古栎5种共计12800张树皮纹理图像数据集,将训练集和测试集按照7:3的比例划分,进行树种的自动识别分类。其中:(1)浅层神经网络主要由两个卷积、最大池化层和输出层构成,测试集的识别率为 84.51%。(2)针对浅层CNN提取特征能力有限的问题,采用了经典ResNet50网络模型,该模型较浅层CNN识别精度有所提升,测试集识别率为89.1%,但不完全适用于本研究针对树皮纹理特征的树种识别。(3)在经典ResNet50网络的基础上,针对网络输入图像尺寸的大小、树皮纹理特征和卷积神经网络提取特征的特点,优化ResNet50网络模型,在浅层残差块和深层残差块之间加入跨尺度融合连接层并将输出模块的平均池化改为双线性池化操作,这样的优化,能够将强调权值赋予浅层的高响应区域,使其对应的深层部分相同位置的特征被激活,可以直接将网络模型的判别区域定位到差异性的纹理特征上,更利于网络着重提取纹理信息,从而提高网络对相似特征的判别能力;双线性池化能够再次强调纹理特征,重复利用低级特征,更加强化了网络的精度,优化ResNet50网络识别率为96.13%。进一步通过对以上三个卷积神经网络识别过程中混淆矩阵、ROC曲线和AUC的对比和分析,充分验证了本文优化ResNet50网络识别精准,效果理想。本文基于卷积神经网络通过树皮的纹理图像进行的树种识别的方法是行之有效的,深层CNN识别的效果胜过浅层CNN,本文所提出的优化ResNet50网络,提升了网络识别的性能和精度,可为树种智能化的识别、科学保护森林资源提供参考。