植物分类是系统生物学中的基础研究内容之一。随着利用人工智能技术的不断发展,植物识别的算法多种多样。因为每种植物的叶片各不相同,并包含许多纹理特征。所以常见的植物识别方法,大多是对叶片进行识别,但这种针对叶片的识别,只能作为学术研究所用,在实际应用中意义不大。且在直接对植物图像进行分类的模型训练时,由于植物的外观相似性,以及受环境影响产生的颜色和形状变化等原因,会导致测试集的识别率不佳,或者出现过拟合现象。为了解决以上的问题,本文提出了一种基于对卷积神经网络(CNN)和灰度共生矩阵(GLCM)进行DS证据理论融合判别的全景植物识别方法。首先对全景植物图像进行多种预处理操作,包括灰度化处理、裁剪压缩和尺寸归一化,减少数据量并统一数据集样本的规格。为了突出全景植物图像的纹理特征,采用了局部二维模式(LBP)来提取图像中的纹理信息。另外,由于LBP特征数据的稀疏性和高维特点,使用主成分分析(PCA)的方法进一步提取数据中的有效内容,并降低数据维度,得到更有效率的LBP特征。然后分别基于卷积神经网络和灰度共生矩阵这两种方式对LBP特征和灰度图像进行分类模型的训练,最后使用DS证据理论对两种模型的识别结果进行结合,得出更优的分类效果。本文针对单一模型的识别率不佳,以及传统的植物叶片识别实际应用价值过低这两个问题,在分类模型的构建和训练中,做了以下工作:(1)引入了分块完备的LBP特征,即CLBP理论,CLBP理论改进了原有的LBP算子,不仅具有高维、稀疏的特点,可以使用降维的方法压缩数据,方便后续的计算。而且能够提取除了LBP算子以外,各像素的绝对幅度值以及中心像素的灰度值,这些特征也提供了有效的鉴别信息。(2)GLCM存在多种特征量,本文介绍了GLCM具有五种典型的特征量,并通过测试表明,选取能量、对比度、逆差矩和熵这四种特征量可以使识别效率更高,基于此作出了对原有灰度共生矩阵算法的改进。(3)主要针对植物全景图像进行识别,能够较好排除光线和灰尘等复杂背景的干扰,相对植物叶片的识别,具有更高的识别难度,同时具备更大的实际应用价值。此外,在实验结果的讨论中,也将本文所述的识别方案与几种具有代表性的分类方法进行了比较,例如支持向量机(SVM),k-均值(k-means)、BP神经网络等。通过比较这些方法的准确率、纯度、F1值、调整兰德系数(ARI)等评价指标,验证了本方案具有较高的泛化能力和识别效果。最后,对本方案的过程和特点进行了总结,并展望了进一步的方向及其应用前景。