银杏叶片具有很高的经济价值、药用价值和观赏价值,银杏叶片病虫害可导致银杏的死亡,从而带来经济损失。对晚期的患病银杏叶片已无法采取措施,因此患病银杏叶片的早期及时、准确识别与预测对于降低银杏叶片发病率和死亡率具有重要意义。目前很多学者将深度学习运用于农作物种类和植物病虫害种类识别中,而对同一类植物患病等级的研究还比较少,尤其是在银杏叶片发病程度的自动识别上的研究比较少。因此本文的创新点为对银杏叶片患病程度进行了识别研究;并且第一次将CNNLSTM模型应用于银杏叶片患病程度的识别中,CNN-LSTM模型可以对具有时间关系的序列图像进行识别。本文研究基于深度学习的银杏叶片发病程度识别方面的应用,使用卷积神经网络和循环神经网络进行了训练。主要研究工作如下:(1)研究了基于CNN的两种方法来进行单一背景和复杂背景下的银杏叶片患病程度识别。第一种方法研究了基于VGGNet-16模型的银杏叶片患病程度识别,单一背景下的银杏叶片患病程度识别率达到98.44%,复杂背景下的银杏叶片患病程度识别率达到92.19%,最终选出最佳模型。第二种方法研究了基于Inception V3网络模型微调的银杏叶片患病程度识别方法。单一背景下的银杏叶片患病程度识别率达到92.30%,复杂背景下的银杏叶片患病程度识别率达到93.20%。VGGNet-16模型对单一背景的银杏叶片患病程度识别率最高,采用Inception V3微调的网络模型对复杂背景的银杏叶片患病程度识别效果最好。对于同一个模型下的两种不同背景银杏叶片患病程度识别而言,Inception V3微调的网络模型识别率较为稳定,泛化能力更好。(2)本文还研究了基于CNN-LSTM的银杏叶片患病程度识别方法。对复杂背景下的序列图像进行了研究训练,取得93.06%的准确率。并且研究了数据增强及超参数调整对CNN-LSTM模型性能的影响。验证了增大数据集样本量可以提高测试集准确率,减少过拟合,提高模型性能,从而取得对复杂背景下的序列图像识别的良好效果。还验证了当数据集样本量不变时,调整超参数对模型的影响。使用技巧对超参数进行调整后,在一定程度上提高了识别率,改善了模型的性能。