近年来,计算机视觉技术与农业智能装备联系密切,特别是在农作物处于幼苗时期杂草图像的识别研究方面。由于杂草抢夺农作物的营养来源,而大面积的除草剂喷洒不仅带来环境污染,而且对食品安全也会造成威胁。目前杂草图像的识别技术主要通过深度卷积神经网络提取杂草图像特征来实现杂草的分类和定位。而外界环境因素和杂草的交叉混合生长产生的复杂特征是影响杂草特征提取的主要因素。因此,针对新疆棉田面积大且杂草种类多而复杂的特点,本课题以棉田幼苗时期中复杂特征杂草为研究对象,结合深度学习技术在图像识别领域的研究进展和方法,设计并找出能够识别棉花幼苗与复杂特征杂草的方法,提高杂草图像的识别率。基于上述问题,同时结合本研究的目标特点和当地西北环境的特点。本课题是采用卷积神经网络结合Faster-RCNN模型,提出了一种可实现对复杂特征杂草的准确分类以及高精度的目标检测定位的方法。主要的研究内容有以下两个点:第一,根据不同光照环境下各种复杂特征杂草的特点,对图像进行颜色迁移等预处理后,建立深度卷积神经网络模型,通过加入过拟合算法以及对Inception网络结构的构建,训练出了可以高效识别复杂特征杂草的识别模型。第二,利用Faster-RCNN网络模型搭载之前构建好的深度卷积神经网络,通过对区域候选的优化,得出训练后的网络识别模型。将该模型在标记好的PASCAL VOC测试集上进行测试,测试结果显示比几个常用的网络模型和特征提取器都有很大的优势。本课题是以新疆五家渠地区的棉花幼苗与复杂特征杂草识别为背景,利用颜色迁移来对图像进行预处理,减少图像特征缺失,同时搭建设计深度卷积神经网络结合区域候选实现对复杂特征杂草的目标检测,通过对采集的棉花幼苗和杂草数据集的标注,训练以及参数的调整,训练出了一种高精度的识别复杂特征杂草的图像识别方法。为了证明本课题方法的有效性,利用同种类数据集对SSD、TOLOv3方法以及VGG16、VGG19、Res Net50、Res Net101四种卷积模型进行对比。最后对本文方法进行了验证,结果证明本文方法对杂草图像的识别率方法具有很大优势。因此通过复杂特征杂草的识别可以有效的提高杂草识别率,为农业智能装备中除草剂的快速精准定位喷洒提供了有利的参考。