传统的花卉识别算法主要通过手动提取特征,最终利用分类器进行训练,其泛化能力存在一定的局限性且准确度很难突破。而“深度学习”概念的提出,吸引了很多国内外科研工作者的关注。特别在农业领域,利用深度学习技术获取农业信息,指导农业生产已经得到了广泛的应用。目前,深度学习网络已经能够将网络深度扩大到上千层,但是当层数达到上千层后,其准确率每提高百分之一的代价都是巨大的。因此有人提出一种在准确率不变的情况下,适当减少网络深度,增加宽度的架构,即宽残差网络,并取得了良好的效果。同时,使用深度学习技术研究,研究成果不能很好的展现在PC端和手机端,而迁移学习的核心理念即使浅层的网络模型的准确率接近深层的网络模型的准确率,并且能够较好的应用于PC端与手机端。经过实验对比,将迁移学习和宽残差网络相结合,发挥二者的优势,运用较少的层数和样本量,得到了性能最佳的网络模型,并将此模型应用于花卉图像的识别。主要内容如下:1、研究分析了花卉识别技术的现状及其意义,针对迁移学习方法以及宽残差网络进行了深入的探讨;2、设计对比实验,验证了相同的网络模型不同深度之间迁移学习的优越性;3、设计对比实验,验证了不同网络模型之间迁移学习的优越性;4、对基于迁移学习方法结合宽残差网络建立的花卉识别模型进行性能测试;5、设计实现了一款花卉识别APP。研究发现,利用迁移学习,可以使较浅的宽残差网络的准确率接近于较深的宽残差网络的准确率。训练得到的模型不仅在识别的准确率方面有优势,还可以用于PC端和手机端。将基于迁移学习的宽残差网络应用于花卉识别,其结果显示,宽残差网络和迁移学习的花卉识别模型具有比其他花卉识别模型更高的准确率。结合本文理论,设计开发了一款简单的山西农大校园花卉识别软件,实现了对农大校园花卉的识别,并取得了良好的效果。