LoveCTO对植物叶片加以识别的算法，可分为以下三类：
- （1）基于关系结构匹配的植物叶片识别方法
- （2）基于统计的植物叶片识别方法
- （3）基于机器学习的植物叶片识别方法
以往的植物叶片分类方法，一般采用两步法：
- （1）从输入图像中提取叶片的特征
- （2）根据特征，利用训练分类器开展数据分类。
该方法的效果在很大程度上取决于人们的选择是否合理，但他们在选择特征时往往会感到盲目。
深度学习是机器学习研究的一个新领域，目的是建立和模拟人脑的分析和学习的神经网络，以及模拟人脑解释数据的机制。作为无监督学习的一种，深度学习采用了神经网络的层次结构，包括输入层、隐层（多层）、多层网络输出层，它们只存在相邻节点之间的连接，在同一层和跨节点层之间不存在相互连接。深度学习建立了与人脑相似的层次模型结构，对输入数据逐层抽取，建立了从底层信号到高层语义的良好映射关系。
深度学习模型不仅避免了提取图像特征时比较耗时的问题，而且大大提高了图像识别的精度，提高了在线操作的效率。深度学习模型：卷积神经网络（CNN）、深度波尔茨曼机（DBN）、深度置信网络（DBN）等。
CNN是一项将人工神经网络与模拟视觉系统、深度学习技术相结合的新方法，在图像识别领域有着广发的应用。卷积神经网络具有局部感知的区域性、层次性、特征提取与分类相结合的全局训练特征，其优点是，不仅更接近于生物学，而且降低了网络模型的复杂度，减少了权值的数量。在处理多维图像时，该模型的优势更加明显。作为一项专门用于二维形状识别的多层感知器，卷积神经网络对图像的平移、缩放、倾斜等处理不会引起图像变形。
