据估计,植物是世界上现有的分布最广的物种,其数量约有40万种,遍布于世界各地,并且与人类生活息息相关。然而,越来越严重的污染问题使得现有植物物种的数量不断减少,植物保护工作成为亟需解决的问题。在一系列植物保护工作中,植物分类是完成植物保护工作的基础和前提,植物分类不但有利于区分植物种类、掌握其分布情况,而且便于辨别植物间的相似关系、了解相似植物的进化过程。传统的分类方法大多是依靠人为完成,这类方法比较适用于外部特征明显的植物,而且对专业素质要求较高。此外,这类方法前期需要进行大量的样品采集、标本制作等工作,后期仍需要进行较长时间观测,植物分类的效率较低。人工植物分类的这些缺点,使得利用计算机进行自动植物分类方法受到研究人员的关注。现有自动植物分类方法通常一般利用植物图像作为输入,通过提取植物的某些局部特征进行植物分类。这种研究策略高度依赖于植物局部特征,难以处理被噪声污染或者人工损坏的植物图像。事实上,在信息采集过程中,往往存在着各种类型的噪音,特别是图像尺寸过小或者图像模糊,使得现有植物自动分类方法导致错误的结果。本文提出一种自动植物分类方法,该方法首先采用基于弹性网络的超图模型表示图像数据相关性,然后使用局部保持投影算法得到紧凑的图像表示,用于后续植物分类应用。不同于现有植物自动分类方法,本文方法从植物图像入手,在进行植物分类操作前不需要提取植物图像的局部特征。因此,本文方法不仅能够消除在提取图像局部特征阶段造成的信息缺失,而且避免了由于原始图像数据残缺、尺寸过小、画面模糊等原因造成植物特征效果不好的问题。此外,本文方法采用基于弹性网络的超图模型表示叶片图像的相关性,既能保留不同植物图像之间的高阶关系,又能有效地将噪声分量与原始数据分离,使得本文方法对噪声和数据损坏不敏感。通过在两个植物叶片数据集上进行实验表明:使用本文方法能够完成植物分类任务,获得较好的植物分类结果。