植物品种分类是植物资源调查、作物育种等研究的基础。作为植物最重要的器官之一,叶片一直是识别不同植物的关键依据。近年来基于叶片图像的植物分类研究得到了广泛关注,并取得了显著成果。但是现有研究多关注于不同物种的区分,缺少能够准确区分同一个物种下不同品种叶片的分类方法。与物种间的叶片分类相比,品种间叶片分类是一种更细粒度的分类问题,其面临着不同品种间叶片相似度较高的挑战。因此实现品种间叶片分类的关键在于提取有效的叶片特征,从而更全面细致地描述叶片。针对此问题,本文以透射扫描的叶片图像为研究对象,提出基于持续同调和多特征融合的叶片图像分类方法,深入探究细粒度叶片分类问题,实现植物品种的准确分类。本文主要研究内容如下:（1）相对于不同物种而言,叶片品种间的差异不明显,并且品种内也存在差异,因此在特征提取过程中需要保留更多的细节信息。本文提出基于持续同调的叶片图像拓扑特征提取算法,直接从高清叶片扫描图像中提取多尺度的拓扑特征,从而保留更多的叶片细节。分别从叶片形状、纹理和叶脉网络三个方面提取拓扑特征,并将提取到的拓扑特征结合在一起,得到多视角拓扑特征（Combined Multi-Perspectives Topological Features,CMTF）,最后使用多视角拓扑特征实现品种间叶片图像分类。实验结果表明,与现有方法从单一角度提取的拓扑特征相比,本文提取的多视角拓扑特征能够更全面地描述叶片,并在多个品种数据集上取得了更高的准确率。（2）为进一步提升品种间叶片图像分类的准确率,本文利用多特征融合的思想结合基于卷积神经网络（Convolutional Neural Network,CNN）的叶片分类方法与基于拓扑特征的叶片分类方法,将多视角拓扑特征CMTF与CNN提取的高维图像特征相结合,使得两者之间能够提供互补的叶片信息。实验结果表明,融合了以上两类特征的分类方法在多个品种数据集上都取得了比现有方法更高的准确率,并且在物种数据集上的表现也证明了该方法具有一定的通用性。（3）本文提出的基于多特征融合的叶片图像分类方法虽然明显提升了品种间叶片分类的准确率,但是融合拓扑特征对分类产生了哪些影响仍然缺乏研究。因此为增强方法的可解释性,本文通过CNN特征可视化对融合拓扑特征前后模型的显著性图进行分析,探究了拓扑特征对叶片分类的影响,并且通过对比实验评估了拓扑特征对分类结果的提升效果。分析结果表明,融合拓扑特征能够使网络更聚焦于叶片本身的特征,同时也促进了CNN模型的训练。本文的主要贡献在于提出了基于持续同调的叶片拓扑特征提取方法,并将其与CNN提取的图像特征相结合,利用两者的互补性提高了品种间叶片分类的准确率。实验结果表明,本文提出的方法在细粒度的品种间叶片分类问题上与现有方法相比有着明显的准确率提升,并且也能应用于更广泛的物种间叶片图像分类。