植物识别领域的研究包括单一背景和自然环境植物图像识别，由于背景噪声的存在，自然环境植物图像识别难度更大。针对如何降低卷积神经网络（CNN）的权重大小、如何改善过拟合、如何提高模型对自然环境植物的识别率和泛化能力的问题，提出科优先（FP）的植物识别方法。与轻量卷积神经网络MobileNet模型结合，利用迁移学习的方法，建立基于MobileNet的科优先（FP-MobileNet）植物识别模型。单纯使用MobileNet模型在单一背景植物数据集flavia上获得了99.8%的识别率；对于更具挑战的自然环境花卉数据集flower102，在训练集样本数量大于测试集时FP-MobileNet获得了99.56%识别率，在训练集样本数量小于测试集时FP-MobileNet仍获得了95.56%的识别率。实验结果表明，两种数据集划分方案下FP-MobileNet的识别率均高于单纯的MobileNet模型；并且FP-MobileNet模型在获得较高识别率的同时，权重仅占13.7 MB，兼顾了精度和延迟，适合推广到需要轻量模型的移动设备。