利用植物叶片的图像特征来实现植物物种的自动识别和分类是目前的研究热点。国内外学者对基于叶片特征的提取和识别与分类进行了研究,并取得了一定的研究成果。但是植物物种识别技术还是存在特征的定义和提取方法比较单一的不足,比如,在提取叶片的形状特征方面,还停留在提取叶片的长宽比、矩形度、偏心率等等,这些特征还不能详细的描述叶片。针对上述问题,本文以四种典型草本植物叶片为研究对象,提出了四个关于锯齿和叶裂的新特征,即：锯齿和叶裂的面积和周长占整个叶片的面积和周长的比例。经过叶片的预处理后,采用基于链码的轮廓提取方法提取草本植物叶片的轮廓。结合基于链码的拐点检测方法和基于链码差的边界凹凸性判别方法确定锯齿点和叶裂点,改进基于链码的目标面积计算方法计算锯齿和叶裂的面积,从锯齿和叶裂的面积和周长占整个叶片的面积和周长的比例以及叶片包含的锯齿和叶裂数三个方面提取草本植物叶片的形状特征。同时利用HSV颜色空间提取叶片的颜色特征,采用统计方法中的基于灰度共生矩阵来提取草本植物叶片的能量、熵、对比度等纹理特征。将提取的草本植物叶片的形状、颜色、纹理特征相结合形成了叶片的15维特征向量。根据特征向量设计基于神经网络的分类器和基于支持向量机的分类器,对选取的四种草本植物叶片进行识别和分类,对比分类结果表明本文设计的支持向量机分类器(SVM)对草本植物叶片分类识别在时间消耗和识别正确率方面均优于基于神经网络的分类器。本文提出的新方法可以大大提高计算面积的精确度,并且提出新的特征值用来识别植物物种,丰富了基于叶片特征的植物物种识别的数学分析理论,将人们对计算机植物分类识别的研究进一步深入,利用新的特征值通过基于支持向量机的分类器进行识别和分类也显著提高了草本植物种类识别的正确性。