1.一种基于多视图多任务集成学习的作物叶片种类识别方法，其特征在于：选取叶片图像作为原始数据集，并对原始数据集进行特征提取，得到若干单一视图下的数据集；

利用CNN模型作为基学习器，对若干单一视图下的数据集与原始数据集分别进行单独的集成学习；

单独集成学习完成后固定所有基学习器的参数，并去除掉所有基学习器中全连接分类器的最后一层，然后将所有CNN模型的输出拼接起来，并添加新的全连接分类器，对若干视图进行联合特征选择，使得其验证集准确率达到期望值，得到多个视图下的模型，完成多视图集成学习；

所述多视图集成学习中的损失函数为：

第i，0≤i≤|view|个视图下的数据集定义为 其中height与width是第j个样本xij的维度，K为类别总数；

在第i个视图vi下，使用第t个基学习器mt，使用softmax进行多分类，损失函数使用多分类交叉熵，得到视图vi下的第j个样本在基学习器mt下属于第k类的概率为如下公式：因此第j个样本的损失函数为：

在第i个视图vi下在第t个基学习器mt下的损失函数为：在视图v0下选择的基学习器为mi,m2,…,m|model|，第i个视图下选择的基学习器为p为基学习器总数，p<|model|，在每个视图的每个模型下使用正则化约束 得到多视图下的损失函数为：

则总体的损失函数为：

利用多任务学习，共享不同任务已学到的特征表示，对叶片种类进行识别。

2.根据权利要求1所述基于多视图多任务集成学习的作物叶片种类识别方法，其特征在于，所述基学习器的选取方法为：选取深度学习图像识别模型组成模型族，然后给模型族中的每个模型编号，再在这些模型中随机选择一定数量的模型来作为一个单一视图下数据集的所有基学习器；对于原始数据集，使用模型族中所有模型作为基学习器。

3.根据权利要求2所述基于多视图多任务集成学习的作物叶片种类识别方法，其特征在于：所述深度学习图像识别模型包括GoogleNet，VGG，Resnet。