我国中医药发展至今已形成了完整的理论体系,中药材更是其不可或缺的组成部分。中药材种类繁多,但其市面上伪劣产品数见不鲜,非专业人员更是难以正确鉴别,严重阻碍了中医药行业的良性发展。因此,发展并建立系统的中药材鉴别技术迫在眉睫。而传统鉴别方法过于依赖人工干预,主观性强且成本高。其次现有的计算机辅助鉴别方法主要基于传统机器学习算法进行研究,其鉴别精度较低且耗时长。针对以上问题,本文主要研究基于深度学习的中药材图像分类鉴别算法,并与传统机器学习算法进行比较,对神经网络进行优化训练并构建了独立的中药材图像库,最终提升了中药材分类鉴别的准确性与客观性。针对上述内容,本文的主要研究工作如下所示:1)针对中药材图像鉴别领域目前并没有可直接使用的公开标准数据集的问题,本文构建了一个具有5组11种常见的易混淆果实种子类中药材数据集,共计11379张图片。同时,通过AlexNet和ResNet网络模型对其有效性进行了验证,也为将来的研究提供了样本数据集。2)针对传统中药材微性状鉴定法过于依赖人工且效果不佳等问题,提出了一种基于引导滤波与特征提取的计算机辅助中药材鉴别方法。首先基于引导滤波进行图像融合替代传统的人为景深合成过程,获取中药材微性状图像;其次依据药材特性进行特征提取并对其降维后进行融合,实现特征融合互补。结果表明:该算法明显优于基于单一特征以及不同特征组合的算法,为中药材在细微状态下的计算机自动鉴别打下基础。3)针对传统中药材图像鉴别过程繁杂且耗时多等问题,提出一种基于深度卷积神经网络的计算机辅助中药材分类鉴别算法。首先,通过引入卷积神经网络实现图像融合,同时为降低图像采集过程中的光照影响,在融合前利用同态滤波对采集图像进行预处理;其次,利用ZCA白化减少中药材微性状图像间的冗余性,通过改进的卷积神经网络提取特征;最后采用Softmax分类器进行分类鉴别。以采集的5组11种中药材为研究对象,并与AlexNet、ResNet18以及深度可分离卷积神经网络DSC进行对比,验证了该算法的有效性。实验结果表明:该算法具有更高的分类精度,同时满足了实时性要求,更为实用。