农作物病害的准确识别对提升农作物产量有着重要意义。传统的农作物病害识别方法主要依靠人工,但人工识别时有可能会造成误判;基于机器学习的方法无法自动提取病害特征。因此为了实现农作物病害的智能识别,本文对基于深度学习方法的特定农作物病害识别进行研究。主要研究内容及成果如下:（1）针对特定农作物病害数据集中图像尺寸不一致、数据类别不均衡问题,对农作物病害数据集进行了预处理。首先针对数据类别不均衡问题,对类别数量较少的样本进行数据增强;针对图像尺寸不一致的问题,对图像进行批量压缩,在保证整体数量不变的同时保留图像的主要病害信息;为了在训练时加快网络收敛,在输入到网络模型前对图像进行归一化处理。（2）针对网络过拟合、梯度消失等问题,选用残差网络作为本文研究的基础模型,并对Res Net50进行微调。首先对Res Net50结构中的全连接层进行改进,将其输出设置为本文数据集的样本类别数;然后对激活函数改进,解决了某些神经元无法被激活的问题;最后将Adam优化算法和Focal loss损失函数结合来优化模型。实验结果表明,在单种类农作物细粒度病害和多种类农作物细粒度病害识别上,微调Res Net50的整体识别准确率比Res Net50分别提高了1.88%和1.19%。（3）针对多种类农作物中某些类别识别效果较差问题,提出改进Res Net50模型。首先为了减少参数量,加快识别时间,利用3个3×3卷积核代替7×7卷积核;然后为保留输入特征图的全部信息,并将重要信息传输到后续的结构中,对网络结构中的下采样模块加入最大池化操作;最后在Bottleneck块中加入注意力机制,有效地利用特征的通道间关系。结果表明,改进Res Net50的整体识别准确率为91.63%,优于Inception v3等传统深度学习模型。