当深度学习算法被广泛应用在图像领域时,科技工作者们开始使用卷积神经网络来对农作物病害进行分类。但由于农作物病害图像类间差异不明显,许多网络模型并不能在农作物病害数据集上有良好表现;此外当网络层数构建的越深,网络参数越多越难以训练。因此本文从以上两个问题分别出发,一方面在卷积神经网络模型基础上进行改进,提升农作物病害图像分类精度;另一方面对轻量化模型结构进行研究,设计出一种适用于农作物病害图像分类的轻量化网络模型,具体工作如下:（1）针对农作物病害图像类间差异较小,传统机器学习方法在农作物病害识别精度低、模型训练复杂等问题,本文提出一种基于共有特征学习和数据增强的农作物病害分类算法。首先,对于数据集类间不均衡等问题,使用Mixup数据增强算法对数据集进行扩充,丰富样本数量;接着,对于特征提取模块,在深度残差网络中嵌入通道注意力模块,使之侧重学习农作物叶片病害特征,忽略背景信息对模型带来的干扰;最后在提取完图像特征后,将特征图送入到共有特征学习模块中,提高图像之间线性关联,增强模型泛化性能和鲁棒性。实验结果表明,基于共有特征学习和Mixup数据增强的模型能够提取类别的语义信息与细节信息,可有效提高农作物病害图像识别精度。（2）针对农作物病害分类算法权重参数冗余、模型复杂难以训练和计算量较大等问题,本文提出一种基于非对称ghost变换的轻量化农作物病害分类网络模型。首先,为避免因卷积运算造成参数过多的问题,该网络模型的首层利用扩张卷积方式来提取图像不同大小感受野的特征并进行融合;随后,利用所提的非对称ghost变换模块丰富方形卷积核骨架,以便增强其鲁棒性。实验结果表明,基于非对称ghost变换的轻量化农作物病害分类网络不仅能精准的对农作物病害图像数据进行分类,还能有效减少网络模型的参数量。使用卷积神经网络对农作物病害进行分类,不仅提高了病害分类的效率,还可以在作物生长早期发现疾病并及时防治,避免带来粮食和经济上的损失,为农业领域智能化发展奠定了基础。