植物是地球生态环境的重要组成部分,它对维持地球生态的平衡发挥着重要的作用。然而随着人类文明的扩张,人类的生产活动对植物产生了极大的负面效应,随之而来的则是大量的植物惨遭破坏甚至灭绝。因此,我们需要采取一些措施对植物的多样性进行保护,但是植物的分类与鉴别是一项具有很大挑战性的任务,即使是经验丰富的植物学家也有可能无法正确识别。此外,在自然条件下采集到的植物叶片容易受到光照、遮挡、形状扭曲等因素的影响。基于上述原因,能否对植物叶片提取出满足不变性的形状特征将直接影响着植物识别的精确率。本文首先对课题的研究背景及意义进行了阐述,其次对植物识别的国内外研究现状进行了介绍,并重点介绍了当前主流的基于叶片形状的植物识别方法以及一些技术难点。针对在树叶采集时叶片形状容易发生形状变形这一状况,本文对图像的变化进行了深入研究,在此基础上对当前主流的形状描述子进行了分门别类的介绍,分析各个算法的优缺点。为了解决这些问题,本文提出了一种形状复数不变量描述子,该方法具有以下特性:(1)该方法满足旋转、缩放、平移不变性。即当形状发生了旋转变换、缩放变换、平移变换后,该方法所提取的特征是不变的。(2)该方法具有很高的识别精确度。为了说明该方法的优越性,本文在在Swedish、CVIP100、ICL、SubICL等数据集上进行了测试,在每个数据集上与当前在各个数据集上取得较高识别度的方法进行了比较,实验结果显示本文提出的方法在上述4个数据集上均取得了最高的识别率或分类精确度。(3)本文提出的方法对植物叶片的自遮挡并不敏感。植物叶片的自遮挡问题一直限制着植物识别精确率的提高,当前有很多方法试图解决这一问题但是结果均不是很理想。本文提出形状描述方法能够有效解决这一问题,为了验证,本文在ICL数据集上专门选取了一个均是自遮挡树叶的数据集用于测试。在该数据集上本文提出的方法获得的识别率远远高于同类方法。