农作物病害直接影响农业生产中农作物的产量,及时有效控制农作物病害具有重要意义。本研究的目的是应用计算机领域的人工智能技术,对植物病害图像进行检测,识别植物所患病害,从而对病害植物进行有针对性的用药,减少药物浪费和造成的污染。本文针对农作物病害检测问题,收集了水稻数据和玉米数据,并利用水稻病害以及玉米病害数据做了以下工作:(1)数据处理。首先是数据降噪,去除了图像中除了植物叶片以外的背景,避免背景对实验的干扰;然后扩充数据量,采用对称变换和将图像的RGB通道两两互换和图像旋转,丰富了数据的多样性,可以减轻模型的过拟合现象。(2)构造基于迁移学习的稠密卷积网络。构造了带有密集块的深度卷积网络,并利用大样本数据集训练学习知识,将经过训练的模型迁移运用,实现在小样本数据集的快速收敛。鉴于稠密卷积网络具有良好的特征学习和特征表达的特性以及自动学习农作物病害的优点,对于水稻和玉米病害识别任务,可以将迁移学习方法与在数据集上学习到的知识进行融合,由此可以解决传统图像识别的准确率偏低的问题。(3)基于迁移学习的稠密卷积网络应用于农作物病害检测。将计算机领域的深度学习知识有效运用到农作物病害检测中,应用数字图像处理技术以及卷积神经网络来构建该系统模型,使用Softmax回归算法解决多分类问题,对图像的处理及所患病害的检测,达到自动提取特征,准确识别病害的目的。本研究工作还利用多种深度学习模型进行对比实验,通过多个指标评估表明,基于迁移学习的稠密卷积网络模型适用于检测水稻病害和玉米病害。为了验证模型的有效性以及泛化能力,模型采用了10折交叉验证,该模型可推广到农业生产中的各类植物病害诊断,对农业的发展具有实际意义。