花卉分类是植物学领域中一项最基础的工作,它主要依据花卉的形态特征确定其类别。然而花卉种类繁多,目前花卉的数量已经达369000种,因此分类过程需要耗费植物分类学家大量的时间与精力。随着数字成像技术的不断成熟,人们可以极容易地通过手机、相机等设备拍摄清晰的花卉图像。因此,运用花卉图像对花卉实现自动分类成为目前的研究热点。与粗粒度图像分类不同,花卉图像分类是细粒度图像分类问题,其难点在于不同种类花卉之间具有极大的相似性,而同种花卉之间具有极大的差异性。针对以上难点,在深入分析国内外研究成果的基础上,本文提出两种基于深度学习的花卉图像分类算法,主要研究内容如下:1、总结了国内外现有的花卉图像分类方法,主要包括基于手工特征的花卉图像分类算法、基于深度学习的花卉图像分类算法。并分析了以上方法的优缺点。2、针对在小样本数据集的条件下卷积神经网络难以实现网络参数的最优化且易出现过拟合现象的问题,本文提出一种将显著图与主成分分析网络(PCANet)结合的花卉图像分类算法,该算法主要包含两部分:花卉区域选取,花卉特征学习。在第一部分,运用显著图来提取花卉区域。准确的花卉区域可以减少背景对分类的干扰,从而加强花卉细节部分对分类的作用。在第二部分,提取的花卉区域被输入至PCANet,利用网络自动学习花卉特征,最后将学习到的特征输入至softmax层进行分类。本文在Oxford 17 Flowers数据集上做了实验,结果表明,在小样本花卉数据集的条件下,该方法能达到较好的效果。3、针对在大样本数据集的条件下花卉图像标注信息的缺乏以及标注的高成本使得基于深度学习的细粒度图像分类方法无法较好地定位目标区域的问题,本文提出一种基于选择性深度卷积特征融合的无监督花卉图像分类方法。该方法首先运用基于纵横比保持的方法对花卉图像进行尺寸归一化;之后运用由ImageNet预训练好的VGG-16模型学习花卉图像的特征,根据特征图中的高响应值定位到图像中的显著区域,再依据定位信息选取显著区域中的深度卷积特征,将其进行融合,从而形成花卉的低维特征;最后将特征输入至softmax层进行分类。该方法可以无监督地定位到图像中的显著区域,并选取到有效的特征。本文在Oxford 102Flowers数据集上做了实验,实验证明,在大样本花卉数据集的条件下,该方法具有较好的效果。