Bài toán nhận dạng cây tự động dựa trên hình ảnh hiện nay đang rất được quan tâm, mục đích hỗ trợ người dùng có khả năng nhận diện được các loài cây để sử dụng hợp lý và bảo tồn sự đa dạng của thực vật. Thách thức với bài toán nhận dạng cây là sự tương tự lớn giữa các loài, đặc biệt khi nhận dạng số lượng loài lớn. Trong nghiên cứu này, chúng tôi phát triển một phương pháp nhận dạng cây dựa trên việc sử dụng phương pháp kết hợp muộn các kết quả nhận dạng cây trên các bộ phận khác nhau của cây. Chúng tôi gán trọng số ưu tiên theo bộ phận/ theo loài cho các độ tin cậy trả về theo mỗi mô hình. Bộ phận/loài nào có kết quả nhận dạng tốt hơn sẽ được gán trọng số cao hơn. Mạng học sâu GoogLeNet được sử dụng để nhận dạng cây dựa trên từng bộ phận. Các thực nghiệm được áp dụng cho kết hợp từ hai cho đến sáu bộ phận của cây theo các bộ phận lá, hoa, quả, thân, cành, toàn bộ cây. Các kết quả thực nghiệm đã chỉ ra hiệu quả của phương pháp đề xuất, vượt trội hơn so với một số phương pháp khác. Phương pháp đề xuất đạt kết quả tốt nhất khi kết hợp hai, ba, bốn, năm và sáu bộ phận đạt được lần lượt là 96,0%, 98,2%, 98,8%, 99,0% và 99,2%., Tóm tắt tiếng anh, Automatic plant identification based on images is currently very interesting. The challenge with the plant identification problem is the great similarity among species, especially when the number of species is large. In this study, we developed a plant identification method based on the use of late fusion method for identification results on different plant organs. We assigned priority weights by organ/species to the confidence scores of each model. The organ/species with a better identification result was assigned a higher weight. GoogLeNet was used to identify plant based on each organ. Experiments were applied to combine two to six organs according to leaf, flower, fruit, stem, branch, entire. This method is based on combining the product rule using weights assigned to plant organs and species. The experimental results have shown the effectiveness of the proposed method, it outperforms some fusion late methods. The proposed method achieved the highest accuracy when combining 2 organs, 3 organs, 4 organs, 5 organs, and 6 organs with 96.0%, 98.2%, 98.8%, 99%, and 99.2% respectively.