家具作为一种日常用品,在人们的日常生活和工作中必不可少。随着生活水平的提高,人们更加倾向于购买质地坚实、经久耐用以及有着优良视觉特性的实木家具。然而,木材品种繁多,价格相差悬殊,这就使得在实木家具市场上经常出现以假乱真、以次充好的现象,严重损坏了消费者的合法权益。而涂饰木蜡油之后的家具木材,会对木材表面的材色、光泽度以及粗糙度造成不同程度的影响,这也增加了消费者对木材材种的识别难度。传统的木材种类识别主要是由具备专业知识和丰富经验的工作人员,通过人工视觉完成的,不仅耗时耗力而且准确率不高。对木材种类的自动化识别,有研究者使用特征提取与机器学习相结合的方法进行木材种类识别,但难以提取高质量的特征信息。也有研究者通过光谱技术及DNA技术去识别木材种类,但这些方法设备昂贵、操作复杂,只适合在实验室环境中使用。针对上述问题,本文采用一种改进的卷积神经网络来识别家具木材种类,并开发家具木材种类识别系统,主要研究内容和结论如下:（1）构建了一种轻量化卷积神经网络W＿MICNN。针对目前卷积神经网络中存在识别效率低、训练时间久、网络权重文件大的问题,本文在传统的CNN网络基础上,应用Mobile Net中的DW卷积及Inception模块,构建了一种轻量化的卷积神经网络,用于木材种类识别,因此该网络叫做W＿MICNN。比较分析了不同激活函数及优化算法对W＿MICNN网络识别效率的影响。结果表明,当选用Re LU激活函数及Adam优化算法时,W＿MICNN网络识别准确率最高。（2）建立了一种基于W＿MICNN的涂饰木蜡油木材和素材的种类识别模型。将W＿MICNN网络与四种卷积神经网络及三种传统机器学习方法进行识别性能对比分析。测试结果表明,三种机器学习方法的识别准确率较低,均低于80%。Alex Net网络的识别速度最快,单张图像识别用时6.2ms,但识别准确率低于各卷积神经网络。Res Net网络对素材图像的识别有较高的准确率,为95.21%,但该模型权重文件大,并且对单张木材图像的识别速度最慢,为8.6ms。W＿MICNN网络的识别准确率最高,对素材与含涂饰木蜡油木材图像的测试集识别准确率分别为95.72%与94.52%,单张图像识别用时为6.8ms,识别速度仅低于Alex Net。并且W＿MICNN网络的权重文件最小,为4.27MB。综合各项评判标准,表明本文提出的W＿MICNN网络识别性能最好。五种卷积神经网络对含涂饰木蜡油木材图像测试集的识别结果均低于对素材图像,识别准确率降低了0.86%～1.88%,其中W＿MICNN模型降低了1.2%。尽管涂饰木蜡油木材图像对模型的识别性能有所降低,但影响较小,W＿MICNN网络依旧可以准确、高效地对木材图像种类进行识别。（3）设计并实现了一种基于Py Qt5的家具木材种类识别软件系统。包括木材图像数据集管理、木材种类识别模型训练及预测等功能,可方便进行木材种类识别。