水稻是我国主要的粮食作物之一,其品种识别对发展精准农业和作物估产具有重要意义。传统的水稻品种识别主要依靠人工,主观性强、效率低下,对大面积生产无法全面分析。随着机器学习技术的快速发展,使得水稻品种的自动识别成为了可能。本文以水稻全生育期的RGB图像为研究对象,利用图像处理技术和深度学习方法对其进行品种识别,主要研究工作如下:（1）水稻图像数据的增强与预处理。在自然光环境下,利用RGB相机拍摄,共采集8个品种的水稻图像1694张。图像数据涵盖了水稻移栽后从分蘖期到完熟期的全生育期,且每张图片包含有水稻及复杂背景环境。为提高深度学习模型的鲁棒性,论文对原始水稻图像分别进行向外放大0.8倍、0.7倍、0.5倍的缩放处理,以及水平翻转和垂直翻转等几何变换,将水稻图像数据总量扩充至9722张。进一步,统一调整水稻图像数据尺寸至32*32像素,并对其进行归一化处理,以用于水稻品种识别。（2）基于深度学习的水稻品种识别。构建了9层结构的简单卷积神经网络模型和Res Net-18深度残差网络模型,并对模型的激活函数、学习率等参数进行寻优,用于水稻品种识别。实验采用5折交叉验证方式划分各水稻图像数据集,并以5次独立预测的平均识别精度作为模型评价指标。结果表明,两个网络模型在扩充后的水稻图像数据上的识别精度远高于在原始数据上的识别精度,在水稻穗期图像数据上的识别率优于全生育期数据的识别率。其中,在扩充后的穗期数据集EDHM上,深度残差网络模型的识别率为91.36%,训练速度较快;简单卷积神经网络模型在使用激活函数Selu时,识别率高达94.03%,但训练速度较慢。（3）基于卷积神经网络特征的K近邻水稻品种识别。基于简单卷积神经网络和深度残差网络提取水稻形态特征,构建基于K近邻的水稻品种识别模型。实验结果显示,在扩充后的穗期EDHM数据集上,使用深度残差网络特征的K近邻水稻品种识别率为92.63%,明显高于KNN对水稻图像的直接识别率,也优于深度残差网络模型自身的识别率。