近日，中国农业大学植物保护学院彩万志/李虎团队在国际生物学知名期刊《Cladistics》在线发表了题为《Multi-angle, cross-domain fusion strategy enhances automated insect identification and hierarchical categorization: a case study on assassin bugs (Hemiptera: Reduviidae)》的研究论文，该研究以猎蝽科（Reduviidae）为例，提出一种昆虫深度学习图像识别的多角度、跨场景融合新策略，显著提升了模型在复杂场景下的识别精度与泛化能力。

在生物多样性监测、农林与卫生害虫防控乃至公民科学中，快速准确地识别昆虫至关重要。然而，当前识别模型往往有这样的局限：其一，基于实验室拍摄的标准标本照片训练的模型，在鉴定同样标准的标本照片时表现优异，但面对野外复杂背景、不同角度的生态照片，准确率便大幅下降；其二，更关键的是，当遇到一个从未见过的新物种时，这些模型通常无法将其归入正确的属或亚科。

研究团队以形态高度多样化、种类繁多的猎蝽科昆虫为例，融合三种类型的图片：标准标本照（背、侧、腹三视图）、转盘多角度照（模拟不同观察角度）、野外生态照（来自iNaturalist的真实场景），构建了一个包含近1.2万张高质量图片的综合数据集（图1）。

图1 数据集图片类型

研究发现，仅仅将多角度信息进行融合，就能使物种识别准确率提升5.72%；进一步加入生态照后，准确率进一步提升了13.53%（图2）。另外模型还拥有强大的层级化分类（Hierarchical Categorization）能力。即使面对训练集中从未出现过的全新物种，该模型也能凭借学到的知识，将其准确地归入正确的亚科甚至属。更重要的是，这种策略能引导模型（ConvNeXt-B）将注意力集中在头部、前胸背板等分类学家关注的关键鉴别特征上，而非学习一些无关的背景（图3）。

图2 跨场景与分层分类测试Top1准确率比较（多重比较统计分析）

图3 基于 Std+Trb+Eco 模型的 Grad-CAM 可视化分析，展示了六个亚科代表物种在不同分类层级识别任务中的关注区域

这意味着，对于系统分类学家而言，这不再只是一个简单的“识图”工具，而是一个能辅助科研的智能助手。 高效初筛，可快速将海量待鉴定标本分拣到亚科或属一级，极大程度地节省专家投入的时间。启发假说，模型持续混淆的类群，可能暗示着潜在的非单系群或趋同演化现象，为后续的系统学研究提供线索甚至提出假设。

这项研究不仅通过多角度与跨场景融合策略，显著提升了深度学习昆虫识别模型在真实世界中的泛化能力，更展示了深度学习技术如何辅助经典分类学研究，架起了一座连接数字标本馆藏与野外生态影像的桥梁，为应对全球昆虫分类学家短缺的挑战，以及加速生物多样性研究，提供了一个兼具实用性和前瞻性的解决方案。

未来，研究团队计划将这一框架推广至更多昆虫类群，并探索融合地理位置、时间等多模态数据，构建更加精准、智能的下一代生物分类系统。

中国农业大学植物保护学院博士研究生王新凯为论文第一作者，中国农业大学昆虫多样性与基因组学创新团队的李虎教授、李轩昆副教授为共同通讯作者，彩万志教授、段元格副教授、宋凡副教授，博士研究生刘怀宇、熊昊洋、博士后陈卓，军事医学研究院赵嫕盛助理研究员，首都师范大学刘盈祺讲师参与了该项工作。该研究得到了国家重点研发计划、国家自然科学基金、中国农业大学2115人才培育发展计划等项目的支持。