水生植物能够净化污染物,抑制藻类生长,在生态系统重建方面具有重要的应用价值,特别是水烛,梭鱼草,香菇草,再力花等水生植物,被广泛应用于污染水域修复。因此获取准确的水生植物种类数量及生长状况信息,有助于水生态环境的监测。目前,国内外对水生植物的种类识别研究主要分为两类,一类是基于水生植物成像图片进行分类识别,此方法主要是依据植物叶片的基本特征,包括形状特征和纹理特征进行分类识别,但是提取形状特征和纹理特征时需要一定的专业知识,人工成本高。另一类是基于光谱分析法提取水生植物特征光谱进行分类。此方法需要通过多源遥感卫星或地面光谱采集设备对水生植物进行光谱数据采集,有无接触,快速,无污染等特点。但受周围水环境影响,绿色水生植物的光谱特征峰比陆生植物更加难以区分,地面光谱数据不仅维度高,且存在大量重叠谱带和背景干扰,特征光谱不明显,同时通过地面实测获取样本数据较困难,适用于深度学习的地面光谱数据集较少。目前使用常规机器学习分类方法在小样本上无法准确、全面地提取深层特征,导致最终的分类结果并不理想。基于以上,针对水生植物光谱重叠谱带较多,存在背景干扰,特征峰不明显和自建的水生植物光谱样本数据较少,使用深度学习算法对水生植物分类问题进行研究。研究结果主要分为两个方面:（1）针对水生植物光谱存在重叠谱带和背景干扰,特征光谱不明显,传统机器学习无法准确、全面的提取深层水生植物光谱特征问题,本文提出了基于Alex Net网络结构的水生植物分类模型。以上海市典型河道内的水烛（Typha angustifolia L）,梭鱼草（Pontederia cordata L）,再力花（Thalia dealbata）,香菇草（Hydrocotyle vulgaris）4种主要水生植物为研究对象,使用美国ASD公司的handfield2地物光谱仪采集其325nm-1075nm范围内的光谱数据,得到3990份样本数据,构建训练集和测试集。为了减少重叠谱带和背景干扰,比较不同光谱预处理方法对模型的影响,本文使用一阶导数（1-Der）、二阶导数（2-Der）、一阶对数导数（1-Log Der）和二阶对数导数（2-Log Der）分别对采集的3990份水生植物光谱数据进行降噪预处理,并比较预处理前后模型的分类效果。为研究本文基于Alex Net网络构建的水生植物分类模型性能,选取了CNN3和VGG16网络模型与本文网络模型进行对比研究,分别使用预处理前后的光谱数据进行训练和测试,使用分类准确率作为模型评价指标。实验结果表明,深度学习算法对于水生植物的分类识别具有较高的性能,而且光谱预处理能在一定程度上减少重叠谱带和背景干扰的影响,提升算法分类的准确性。其中,Alex Net网络模型的性能最好,在光谱预处理前后的分类准确率都高于CNN3网络模型和VGG16网络模型。相较于其他预处理方法,在经过一阶导数法处理后的各模型分类准确率提升最大,Alex Net网络模型的分类准确率为99.50%,CNN3网络模型的分类准确率为85.06%,VGG16网络模型的分类精度为99.48%。（2）虽然基于Alex Net网络结构的水生植物分类模型取得了较好的分类效果,但是此模型在小样本下的分类精度还有提升空间。因此本文提出了一种融合双重注意力机制的水生植物分类模型（CBAM-Alex Net）。双重注意力机制包含通道注意力机制和空间注意力机制,可以提取更丰富的水生植物特征光谱,提高模型分类精度。为了验证CBAM-Alex Net模型在小样本下的模型性能,分别选取样本数据的40%,60%,80%作为训练集进行对比实验。为验证CBAM-Alex Net模型提取的水生植物特征光谱的有效性,利用Grad-CAM算法对分类模型进行了可视化,得到近岸水生植物分类敏感的光谱波段。实验结果表明,CBAM-Alex Net模型在小样本下对水生植物有较好的分类效果,分类准确率为99.80%,高于改进前的水生植物分类模型。并且通过对模型的可视化分析,CBAM-Alex Net模型提取的特征光谱与现有的研究结果一致,表明本文提出的CBAM-Alex Net模型可以实现对水生植物快速准确的分类识别。