我国是农业大国,农作物种类丰富,农业在一个国家的经济增长过程中起着战略作用,但是我国农作物的产量和质量深受病害的影响。因此,及时识别病害是农户关注的一个重要问题。目前,农作物病害是由农户手动识别,费时且效率低。早期的病害识别将帮助农户及时监控农作物生长情况,可提升农作物产量,增加农户收益。在过去的研究中,一般采用机器学习来预测农作物病害,但是机器学习缺乏自动提取特征的方法。随着深度学习的发展,卷积神经网络已经是研究热点,卷积神经网络具有自动提取特征的特点,因此被广泛应用。本文基于深度学习中的卷积神经网络对农作物叶片进行病害识别研究,设计了一种高识别准确率的改进卷积神经网络模型,从而达到病害识别的目的。主要研究内容如下:（1）针对经典模型在葡萄叶片识别过程中病害特征提取不足或无法准确定位病害关键区域信息等问题,对单种类农作物葡萄叶片病害识别中以残差网络（Res Net50）模型为基础上设计Py-Res Net50模型。首先收集了黑腐病、白粉病、霉霜病、叶斑病和健康5种类别的图像数据。因为数据集来源不同,数据集的数量和尺寸都达不到识别标准,因此需对数据集进行预处理,包括图像尺寸调整和数据增强等方法来规范数据集。其次在残差网络模型上采用了金字塔卷积方式,修改了原来瓶颈层中主分支的卷积核,通过其包含不同大小和不同深度的卷积核来处理输入,从而获得不同程度的病害特征细节,使用新的卷积方式能够更高效提取病害特征并能加快改进模型的收敛速度和提高改进模型的识别准确率。再次在瓶颈层中对残差块进行改进,使其保证病害提取过程中保留了关键信息。最后在激活函数上使用Leaky Re LU激活函数替换原先的Re LU激活函数,从而在反向传播过程中,对输入小于零的部分,可以计算得到梯度,完全避免了梯度消失的问题。实验证明Py-Res Net50模型在测试集的识别准确率达到97.79%。（2）针对实际环境下农作物种类较多且识别精度不高的问题,对多种类农作物叶片病害的识别上设计Py GAM-Res Net50模型。首先以葡萄、苹果、水稻和玉米常见粮食类作物和果类作物为研究对象。基于Py-Res Net50模型基础上,使用深度超参数化卷积层代替了传统卷积层,同时引入全局注意力机制和批量标准化层。深度超参数化卷积层使用的多层复合线性运算可以在模型训练阶段后收缩成紧密的单层表示并进行输出,全局注意力机制可以使模型在三个维度上捕捉显著的病害特征,批量标准化层使模型在每个阶段的训练数据分布均匀,从而提高新设计的改进模型Py GAM-Res Net50的识别准确率和收敛速度。实验表明在4种农作物19类别（病害和健康）识别任务中,Py GAM-Res Net50模型在测试集中识别准确率高达98.58%。（3）针对Py GAM-Res Net50模型无法应用到实际场景中的问题,本章设计了农作物叶片病害识别系统。首先明确了农作物叶片病害识别系统所需的软件和硬件要求,其次根据需求设计了上传本地图片和病害识别两个功能模块,最后系统界面能显示识别图像的识别结果、识别准确率和识别时间。从而为农户识别农作物叶片病害提供有效的工具。