現(xiàn)有對(duì)草地植物的圖像識(shí)別主要集中于對(duì)葉片或大面積種群的識(shí)別，很少有從單株植物或小片群落的角度進(jìn)行識(shí)別。本文針對(duì)上述問(wèn)題，總結(jié)出三種適用于解決該問(wèn)題的識(shí)別方法，改進(jìn)和微調(diào)了現(xiàn)有基于卷積神經(jīng)網(wǎng)絡(luò)方法的預(yù)處理流程和網(wǎng)絡(luò)模型來(lái)進(jìn)行植物圖像識(shí)別方法。本文采用近距離拍攝的高空間分辨率草地植物圖片，設(shè)計(jì)實(shí)驗(yàn)對(duì)比分析了上述三種方法在識(shí)別標(biāo)注樣本數(shù)據(jù)集上的表現(xiàn)。實(shí)驗(yàn)結(jié)果表明，基于預(yù)訓(xùn)練模型的深度卷積神經(jīng)網(wǎng)絡(luò)方法同其他方法相比，在準(zhǔn)確性上，具有顯著的優(yōu)越性。

　　關(guān)于青海省的植物種類及其特征、植物識(shí)別等方面的研究都取得了突破性的研究成果。但傳統(tǒng)的遙感圖像分類方法在進(jìn)行植物識(shí)別時(shí)，由于圖像具有較高的空間分辨率，會(huì)出現(xiàn)同物異譜等問(wèn)題。植物的識(shí)別是復(fù)雜度高且數(shù)據(jù)量大的一項(xiàng)研究，因此深度學(xué)習(xí)在植物識(shí)別方面具有技術(shù)優(yōu)勢(shì)和廣闊的發(fā)展前景。卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network， CNN）是深度學(xué)習(xí)研究中具有代表性并且十分高效的方法之一。最早的卷積神經(jīng)網(wǎng)絡(luò)模型是由紐約大學(xué)的Yann LeCun 教授提出來(lái)的。經(jīng)過(guò)了整整20 年的發(fā)展，至今卷積神經(jīng)網(wǎng)絡(luò)技術(shù)已在計(jì)算機(jī)視覺(jué)領(lǐng)域確立了統(tǒng)治地位。