随着数字图像处理技术和计算机视觉的迅速发展,植物图像识别成为植物分类学跨学科交叉研究的热点。传统的植物识别研究对象主要集中在植物叶片、花朵等局部特征,缺乏植物的整体特征,并且识别背景单一。随着智能手机的普及,常规植物图像爆炸性增长,传统的人工分析提取的特征不够充分且分类器模型复杂度不够,导致植物物种增加到一定数量后识别率不高。因此,研究基于残差网络的深度学习算法,对大量植物图像的分类具有非常重要的意义。由于缺乏经过验证的移动设备采集的常规植物图像数据集,本文提出了由手机采集的自然背景下的常规植物图像数据集BJFU100,包含北京林业大学校园内100种观赏植物的10000张图像。设计出由8个残差块构建的26层深度学习模型,包含了足够的可训练参数来学习判别性特征,使用SGD算法优化训练过程,避免了过度拟合或者陷入局部最佳状态。该方法与传统的深度残差网络进行了对比,取得了较好的识别效果,对BJFU100数据集测试的识别率高达91.78%。同时使用提出的方法对单一背景的开源Flavia数据集中的32种叶片进行了测试,与现有研究方法的结果相比识别率提高了 0.21%,进一步验证了方法的有效性。此外,本研究还开发完成了基于深度学习的Web应用和微信小程序,实现Web端和手机端的植物识别,推动了智慧林业进一步的发展。