【摘要】针对葡萄叶片类间相似度高导致的类内品种分类精度低的问题，构建一种改进的统计纹理残差学习网络（statistical texture residual learning network, STRLNet）的葡萄叶片分类方法。首先在ResNet50骨干网络的基础上添加SE注意力机制，然后构建底层信息的特征增强层，最后将增强后的底层特征与骨干网络提取的高层语义信息相融合，输出连接到用于存储分类特性的全连接层上。利用采集的11种成熟期葡萄叶片数据集进行训练测试，结果显示，STRLNet在提高网络空间性能的同时可充分利用底层特征信息，对构建的葡萄叶片数据集的分类准确率可以达到92.26%，相较于ResNet骨干网络提高了约2.8个百分点，与VGG16、Inception v4和ResNet等主流分类网络相比在葡萄叶片细粒度分类中具有更高的准确性。研究结果表明，在多品种的葡萄叶片分类任务中，改进后的模型相较于骨干网络可以关注到更多的特征信息，相较于主流分类网络模型可以获得更高的分类精度，模型性能得到进一步的提升。