木材种类较多,不同树种木材的材质不同,其用途和价格相差巨大,准确分类识别木材是合理使用木材的重要途径。传统的计算机辅助分类和基于化学成分等的木材识别技术都有局限性,限制了其在木材识别领域的应用推广。研究基于深度学习和计算机视觉的木材识别方法,自动、高效、准确地识别木材,具有比较重要的实际意义。木材显微图像体现了丰富的木材构造特征,可以为木材识别提供有效的特征信息,利用计算机对木材显微图像进行自动分类识别具有重要的研究价值。木材显微图像是一种细粒度图像,由于某些情况下木材种间差异小、种内变异大,以及图像样本数量少等问题,增大了木材显微图像分类识别任务的难度。本文针对这些问题,采用组合扩充策略扩增样本图像数量,建立木材显微图像数据集,构建基于分解聚合模块的木材显微图像分类模型以及基于多元融合的木材显微图像检测模型,提出基于迁移学习融合模型的木材显微图像分类识别方法,完成木材显微图像识别与可视化分析,以达到提升木材显微图像分类识别准确率的目的。本文主要研究内容及结果如下:（1）研究小样本数据集扩增方法,构建木材显微图像样本库和数据集。综合考虑到本文研究的内容和目标,用于木材分类识别研究的每种木材样本要有足够的数量,以满足深度学习分类识别模型进行充分合理训练的需要。本文选取具有代表性的8属56种木材样本,采用Nikon Eclipse Ni-U显微镜搭配Nikon DS-Ri2摄像头（或Nikon 80i显微镜搭配Nikon DS-Ril-U3摄像头）结合NIS-Elements显微图像软件进行图像的采集和分析,木材显微图像的放大倍数分别有4倍、10倍、20倍和40倍,每个树种的图像来自不同取材部位所切取的10个切片,建立包含56种木材3928幅图像的木材显微图像样本库和数据集。为了减小木材显微图像采集的工作量,同时避免小样本数据集在网络训练和测试中表现不佳的问题,提出了一种基于组合扩充策略Mixup-CES的木材显微图像在线扩增方法,融合图像几何变换与Mixup数据扩充技术,在线生成内容更为丰富的样本数据集,确保模型获取凝练的木材树种信息更具多样性,以提高其应对陌生样本检测的能力和模型的泛化能力与适应性。实验结果表明,本文方法使网络对于木材显微图像种间相似性以及种内多样性的学习更加具体化,优于传统数据扩充和Mixup数据扩充方法,为本文研究木材识别提供了数据支持。（2）为了解决经典卷积神经网络卷积结构很难在同层网络结构中获取到木材显微图像的整体特征和长远依赖关系的问题,提出了一种基于分解聚合网络模型的木材显微图像分类方法。针对non-local神经网络忽略了特征间的相关性问题,设计分解聚合模块,构建基于分解聚合的ResNet-M网络模型,通过在骨干网络ResNet的每个block后加入分解聚合模块进行分类,采用特征分解结构更好的捕捉不同特征在通道和空间上的各部分重要程度,采用特征聚合结构促进整合两通道增强后的特征,提高了网络模型获取图像整体特征和长远依赖关系的能力以及对种间微小差异的识别能力。实验结果表明,本文方法各项指标均优于VGGNet16、InceptionV3和ResNet50三种方法,在较难区分的类别如同属树种木材显微图像上的识别能力得到了增强,可以区分易混淆的同属树种木材。（3）针对目标检测任务可以在分类的基础上对原有特征进行提取和选定,相比单纯的分类可以更直观的展示识别结果和置信度的特点,以提高传统Faster R-CNN算法对木材显微图像的检测性能为目标,提出了一种基于多元融合检测模型的木材显微图像识别方法。在Faster R-CNN框架下使用ResNet50-M骨干网络固定前两个卷积块,微调后三个卷积块作为迁移学习策略提取木材显微图像特征,引入SPP、CBAM、FPN和softer-NMS模块,为RPN网络提供不同尺度的木材显微图像特征图以生成高质量候选框,以提高算法对于木材显微图像尺度变化的鲁棒性以及木材树种判别性信息的捕捉能力,构建基于迁移学习的多元融合检测模型TLMFNet,并通过消融实验验证TLMFNet的最佳部件组成。实验结果表明,本文方法从相对全局的视角分析综合木材显微图像特征信息,提高了木材树种识别任务相关特征的权重,优于YOLOv3、Faster R-CNN和Faster R-CNN w FPN等模型方法,能够较好的识别出同属不同种木材。（4）针对深度学习内部算法不可见问题,对检测模型TLMFNet骨干网络ResNet50-M捕捉的木材显微图像特征进行可视化处理,分析TLMFNet提取木材显微图像特征的方式与过程,并通过检测结果可视化评估TLMFNet在木材显微图像检测任务中的性能。实验结果表明,本文TLMFNet模型的迁移学习策略是合理的,相比单纯提高分类能力的ResNet-M模型,检测模型TLMFNet的多元融合改进策略是对特征提取能力的整体提升,提高了木材显微图像树种识别的精度、定位准确度和置信度,说明本文多元融合改进策略对获取木材树种判别性信息的有效性和必要性。综上所述,本文基于迁移学习融合模型的木材显微图像识别方法能够提高木材显微图像分类识别的精度,可为木材树种计算机视觉分类识别提供新的方法,在木材的树种鉴定和合理化利用等方面具有一定的研究价值和指导意义。