植物的识别和分类是植物研究的最基础性工作，它对于植物种类划分和探索植物的演化以及植物之间的亲缘关系有着重要的意义，而且对现代农业方面良种的鉴定有重要的应用价值。植物的叶片方便采集，因此利用植物叶片形状和纹理特征对植物进行识别和分类是最简单有效的方法。本文从中科院合肥智能计算实验室采集的植物叶片图像数据库（ICL）中选取了法国梧桐、三角枫、梨等10种叶片500幅图像作为本文的研究对象。先对先选取的图像进行灰度化、二值化、形态学腐蚀和膨胀等图像预处理操作，滤除图像中的噪声、叶片的孔洞以及叶柄，再对预处理后的图像进行形状和纹理特征的提取，通过图像轮廓、凸包和最小包围盒计算出其面积和周长，从而提取出矩形度、伸长度、圆形度、致密度及不变矩5种形状特征，用灰度共生矩阵方法提取了熵、能量、同质性、对比度和相关性5种纹理特征。每种植物选取40幅图片，将400幅图片的特征参数作为训练样本，然后选取某一类的植物叶片的特征参数作为测试样本，利用稀疏表示的方法确定其在训练样本中的归属。由于训练样本由多个特征参数组成，最后应用一种基于自适应权重的稀疏表示方法确定测试样本在训练样本中的归属。最后对本文中的方法进行实验仿真，并且与基于神经网络和SVM的分类识别方法进行了比较，实验表明神经网络和支持向量机两种方法识别率分别为89.6%和91.4%，本文中的两种方法的识别率分别达到了94.6%和99.2%，由此看出稀疏表示的识别方法具有很好的分类效果。