在植物学的研究发展以及农业技术的应用中,植物的种类和数量繁杂且众多,识别植物种类是一项艰巨的任务。由于水生植物种类繁多,构建大规模水生植物数据集十分重要,水生植物物种识别分类是一项非常重要的任务。根据卷积神经网络的许多良好的性能和特点,可用来识别图像特征和区分常见水生植物物种。本文从不同样本中训练水生植物,同时提取特征识别物种,对于水生植物识别具有非常重要的作用和深远的现实意义。本文通过爬虫及手动筛选图片,构建了水生植物数据库,并做了以下工作:（1）处理数据。通过爬虫爬取了51种水生植物图片,建立水生植物数据库,对水生植物的整个图像进行识别。首先对图片进行手动筛选,去除掉带水印及无关的图片,然后将图片裁剪到相同尺寸,最后进行图片增强,采用对称变换、裁剪、RGB通道转换、旋转等操作,扩充数据,提高样本量,减轻模型的过拟合现象。（2）本文提出了改进卷积神经网络的模型EF-Dense Net169网络,在模型中激活函数使用ELU激活函数,损失函数使用Focal Loss函数,使用全局平均池化方法优化网络模型,最后修改调整卷积核尺寸、特征图数量及相关学习参数。使用已有的Alex Net、VGGNet、Res Net、Dense Net与改进的模型EF-Dense Net169进行对比分析,提取植物图像的有效特征,得到实验结果。结果表明,改进的EF-Dense Net169的识别效果最好,准确率对比其他模型明显提高,可应用于水生植物识别检测中。（3）卷积神经网络与迁移学习融合算法。根据识别水生植物的卷积神经网络来自动学习分类水生植物图片,运用迁移学习算法将Image Net数据集的参数模型迁移到水生植物检测模型中进行识别,实现在水生植物多分类数据集中快速收敛,避免了传统的图像识别准确率低的问题。研究结果表明,通过迁移学习适用于对水生植物图片进行分类,并大大提高了准确率。