Con el rápido desarrollo de la inteligencia artificial, el aprendizaje profundo se ha aplicado ampliamente a tareas complejas como la visión por computadora y el procesamiento del lenguaje natural, demostrando su rendimiento excepcional. Este estudio tiene como objetivo aprovechar la alta precisión y eficiencia del aprendizaje profundo para desarrollar un sistema de identificación de polen. Para ello, construimos un conjunto de datos de 36 géneros distintos. En términos de selección de modelos, empleamos una red ResNet34 preentrenada y ajustamos su arquitectura para adaptarla a nuestra tarea específica. Para el algoritmo de optimización, optamos por el optimizador Adam y utilizamos la función de pérdida de entropía cruzada. Además, implementamos la función de activación ELU, aumento de datos, decaimiento de la tasa de aprendizaje y estrategias de detención temprana para mejorar la eficiencia de entrenamiento y la capacidad de generalización del modelo. Después de entrenar durante 203 épocas, nuestro modelo logró una precisión del 97.01% en el conjunto de prueba y del 99.89% en el conjunto de entrenamiento. Otras métricas de evaluación, como un puntaje F1 del 95.9%, indican que el modelo exhibe un buen equilibrio y robustez en todas las categorías. Para facilitar el uso del modelo, desarrollamos una interfaz web fácil de usar. Los usuarios pueden subir imágenes de granos de polen a través del enlace URL proporcionado en este artículo y recibir inmediatamente los resultados predichos de sus nombres de género. En conjunto, este estudio ha entrenado y validado con éxito un modelo de identificación de granos de polen de alta precisión, proporcionando una herramienta poderosa para la identificación de polen.