化石物种的鉴定对进化研究学至关重要。近年来，深度学习在化石图像识别方面的研究进展表现出了广阔的前景。然而，由于化石保存和采样的限制，以及领域专家较少、鉴定结果具有不一致性，已标记的化石图像其数量与质量往往受到限制，这给基于深度学习的图像分类模型的训练带来了很大的挑战。为了应对这些挑战，我们遵循群体智慧的思想，提出了一种多视角集成学习框架，该框架收集了每张化石图片的原图(O)、　灰度图(G)和骨架图(S)，从多个视角提取每张图像的不同特征，分别训练相应的基模型，然后通过软投票做出最终决策。在目前最大的fusulinid图像数据集(共2400张图像)上的实验结果表明，集成OGS三个视角的模型性能始终优于使用单一视角模型，并且与集成OOO三个相同视角的模型相比，获得了更好或相当的性能。此外，随着用于训练数据的减少，所提框架的性能增益也越大。对于人类专家的识别一致性评估表明，OGS在数据集原始标签以及两位人类专家重新识别标签的两种场景下，都获得了最高的一致性。模型验证集的性能定量地评估了不同专家或不同的属之间一致性。我们得出的结论是，本文所提出的方法可以在fusulinid化石鉴定案例研究中呈现最先进的性能。该方法是为一般化石识别而设计的，并有望在未来的工作中应用于其他化石数据集。值得注意的是，研究结果表明，OGS在较小或较不平衡化石数据集上显示出了更明显的性能提升，因而在识别稀有化石图像上有较高的潜在应用价值。此外，本文所提出的方法也具有评估和解决化石鉴定不一致性方面的潜力。