植物叶片识别与分类对植物保护与研究、生态环境保护、种子优劣鉴定、植物病害防护等具有十分重要的意义。植物叶片是植物外形特征最重要的组成部分,具有易采集、存储时间长、易观察和便于携带等优点。基于计算机图形处理技术,植物叶片已经成为植物识别与分类的主要手段和重要依据。本文以植物叶片为研究对象,主要针对植物叶片的识别与分类领域中非线性共轭梯度优化算法、改进卷积神经网络模型、植物叶片识别与分类以及植物叶片识别系统等四个核心问题开展研究工作,完善以非线性共轭梯度算法为代表的一类非线性优化算法理论,提出改进的卷积神经网络模型,实现不同种类植物叶片的高精度、高效率和准确识别与分类。具体研究工作主要包括如下几个方面:第一,针对无约束优化问题,提出两类具有快速收敛特性且强鲁棒性的非线性Wei-Yao-Liu(WYL)共轭梯度算法。为了实现算法的快速收敛性,将传统WYL共轭梯度法的共轭梯度参数进行修正,构造一类新的搜索方向。在每次迭代过程中,新的搜索方向均满足充分下降条件。在不依赖于线搜索准则条件下,证明两类修正的非线性WYL共轭梯度算法的全局收敛性。数值结果表明修正的WYL共轭梯度算法是可行的和有效的。第二,针对多种植物叶片识别准确率和计算效率低问题,提出了一类具有精度高、收敛速率快的卷积神经网络模型,实现不同种类植物叶片的快速、精准识别与分类。结合残差连接卷积层,同时利用共轭梯度技术,消除梯度消失和梯度爆炸,构建一类基于残差连接的Alexnet卷积神经网络。进一步,对卷积层的输入数据进行批归一化处理,可以加速Alexnet卷积神经网络的收敛速度。结合两种不同的全局池化算法不但可以减少特征图数目而且还能提高算法识别的准确性和计算效率。实验结果表明基于残差连接的Alexnet卷积神经网络能够对不同种类植物叶片进行高效识别。第三,基于Alexnet卷积神经网络,对其第一层卷积层额外加入两层卷积层,然后进行拼接,构建一个全新的Alexnet卷积神经网络。通过将卷积核横向排列并使用多个不同尺寸的卷积核可以得到植物叶片的不同信息,既能识别出叶片类别,也能捕获植物叶片病害信息,从而,进行多维度的特征融合,进而提高实验效果。同时,采用加宽技术,避免过深网络产生的梯度弥散现象。第四,根据改进的卷积神经网络模型,构建植物叶片识别系统,主要包含植物叶片图像的预处理技术、图像特征提取和识别等。通过植物叶片识别系统验证了本文提出改进卷积神经网络模型的可行性和有效性。最后,总结全文所做的工作,提出今后进一步需要研究的问题。