本文将注意力机制分类模型——Vision Transformer(ViT)应用于树种分类识别任务，旨在探索更高精度和更高效率的树种识别模型。本研究共设计了三组对比实验：（1）用ViT和ResNet50在实验环境的数据集上进行训练、验证和测试，（2）为Vi T模型设置不同的深度进行训练，（3）用ViT和ResNet50在真实环境的数据集上进行训练、验证和测试。结果表明，无论是实验环境的数据集，还是真实环境的数据集，ViT模型都达到了与ResNet50模型相当的分类性能，并且ViT模型的时间效率明显优于ResNet50。此外，本研究还展示了Vi T对真实环境的图像进行分类时的类激活热力图，发现ViT模型更关注树叶本身尤其是树叶边缘而忽略了复杂的背景，从而有效提高了分类精度。结果说明，两个模型分类精度相当，但ViT的收敛速度明显更快，学习特征的能力更强，泛化能力也更强。本研究是将ViT应用在树种分类识别这一具体任务上的一次有益尝试，为后续融合ViT与CNN优势，以更高的效率、更小的数据需求、在更复杂的高原林业数据集上进行树种识别研究奠定基础。