我国幅员辽阔,纬度跨度大,花卉种类繁多,同时我国花卉种植历史悠久。在现代社会,人们对生活质量有更高要求,追求更高品质的花卉产品,因此需要进一步加强花卉栽培技术研究,提高产品质量。其中花卉分类是花卉栽培环节中一项重要的基础性工作,传统方法依靠专业人员通过观察花卉外表以及不断对比实现分类,分类过程复杂、繁琐、成本高且准确率较低。花卉图像分类一直是深度学习的热点,它不仅可以满足日常花卉鉴定的需求,还可以帮助专业人员减少花卉识别的工作量,为实现花田自动化管理奠定基础。本文探讨深度学习中的卷积神经网络及其在花卉分类任务中的应用,设计了两种花卉识别模型,并在公开数据集上进行相应实验,仿真实验结果表明本文提出的模型可以提高花卉识别的准确率。本文主要工作如下:（1）为克服花卉图像同一花卉子类特征差距较大、不同花卉子类特征差距较小以及花卉主体在图像中位置随机、大小和数量不确定等问题,构建了一种充分利用特征的改进型Res Ne Xt-50花卉分类模型。提取在Image Net数据集中预训练得到的Res Ne Xt-50参数权重代入改进Res Ne Xt-50,然后将提取的特征送入密集连接模块,实现高效的特征复用和灵活的特征探索,同时为缓解类内差异性较大的影响,采用Mixup数据增强方法扩充数据集,重置样本的像素分布,提高模型泛化能力。最后通过消融实验证明密集连接模块有助于提高模型分类性能。（2）针对花卉图像大小不一,同类别花卉大小、姿态各异,不同类别存在形状、颜色等特征相似以及背景复杂多变等问题,提出具有强大特征提取能力和自主学习特征能力的花卉分类模型。通过结合不同部分的显著特征,设计特征增强与抑制模块以及特征多样化模块并加强对花卉边缘信息的提取。为提取更丰富的特征,使用Efficient Net-B2对细节特征和深度特征进行提取,为了利用不显著但具有可分性的特征,在提取最显著特征的同时提取潜在特征,同时充分利用特征之间的互补关系增强特征,然后结合通道注意力模块加强花卉区域的特征,有效提高模型的分类精度。本文在公开花卉数据集上对以上两个模型进行仿真实验,结果表明,两种分类模型鲁棒性更强、泛化性更好,具有较高的准确率,整体性能优于其他深度学习模型。