摘要[目的]基于卷积神经网络特征提取,本研究探究融合GoogLeNet网络模型与数字图像特征信息来准确识别野外蝴蝶的可行性.[方法]选取甘肃省连城国家级自然保护区内丰富度高的鳞翅目(Lepidoptera)蝶类4科9种,其中成虫标本图像3 704幅,用以构建蝴蝶图像识别模型,并采集具有干扰因素的野外蝴蝶图像376幅,从中筛选出识别精度最高最优的一种模型.通过对GoogLeNet网络模型采用修改模型内部结构及调整参数的方法,并使用PhotoShop对图像进行后期处理,从而优化激活函数,减少参数量,提高计算速度和特征提取能力以准确识别蝴蝶种类.[结果]利用MATLAB软件平台共训练出10种模型,然后根据模型大小、精确度、识别效率等参数筛选出4种最优模型,在此基础上选用性能最好的模型构建了所选取9种代表性蝴蝶白眼蝶Melanargia halimede、菜粉蝶 Pieris rapae、橙黄豆粉蝶 Colias fieldii、柑橘凤蝶 Papilio xuthus、钩粉蝶Gonepteryx rhamni、锦瑟蛱蝶 Seokia pratti、仁眼蝶 Hipparchia autonoe、荨麻蛱蝶 Aglais urticae 和重环蛱蝶Neptis alwina的诊断体系.经平台训练60 min后,模型对检验数据集的诊断准确率达100.0％.人为添加干扰项后,改进的GoogLeNet模型准确率仍保持在94.7％.多数据模型训练后发现,数据集数量越多,图像质量越高,模型的识别精确度就越高.[结论]本研究构建的模型一定程度上克服了单一特征识别蝴蝶种类的不足,提高了野外蝴蝶识别的准确性,且模型稳定性强,能够为蝴蝶智能识别提供技术支撑,为后续识别平台的开发奠定了基础.