作物的病害是直接导致作物生长、减产的最重要因素之一。在传统的意义上,去检测农作物病害最常用的方法是由植保专家根据自己以往学习的经验对作物病症做出识别结果,但这种方法会受到识别人员主观性的限制,在精确度方面无法保证。随着数字图像识别技术的持续发展,人们开始把模式识别、计算机视觉等计算机技术开始应用到植物的种类识别中,植物病害识别程序主要运行在计算机端,无法在田间现场完成识别作物病害的任务,农民无法使用,造成高科技落地实施的困难。为了解决这个问题,本文研究了基于轻型卷积神经网络（CNN）的作物病害识别方法,训练了可部署在手机端的识别网络模型,开发了病害识别APP,农民可使用手机在农业现场直接使用,使得病害识别操作更方便。本文的主要研究工作如下:（1）基于轻型CNN的植物病害识别本文以Plant Village数据库和自建数据库的病害叶片为对象进行研究,为实现手机端植物病害叶片检测,采用MobileNet和Inception V3两种轻量卷积神经网络进行迁移学习,得到两种识别网络模型,将得到的两种网络模型分别移植到Android手机端,在识别精度、运算速度和网络尺寸之间进行平衡,选择最优模型。试验表明,MobileNet和Inception V3在Plant Village数据库（共38类26种病害）上平均识别精度（ACC）达到了95.02%和95.62%。在自建数据库葡萄病害叶片的识别中MobileNet和Inception V3平均识别精度（ACC）达到了87.50%、88.06%,Inception V3的整体识别精度略高,但MobileNet在所有类别的识别上均衡性更好;在模型尺寸方面Inception V3的模型尺寸约是MobileNet的5倍;两种模型移植到手机端时,MobileNet和Inception V3的APP所占内存分别是21.5M和125M;在手机端单张图片的识别时间方面,Inception V3平均计算时间约是174ms,MobileNet的平均计算时间约是134ms,后者的平均计算时间比前者快40ms;在手机端MobileNet相比于Inception V3占用内存更小,运算时间更快。说明MobileNet更适合在手机端进行植物病害识别应用。（2）叶片病害严重程度估计叶片病害严重程度估计通常需要分割出叶片和病害区域,计算出两者的面积来进行估计。但适合在手机上运行语义分割的深度模型很少,本文采用基于病斑检测的叶片和病害面积预测。该方法通过MobileNet＿ssd目标检测算法检测出叶片和病斑,将检测出的叶片与病斑的边界框尺寸分别与人工分割的叶片和病斑面积建立回归模型。MobileNet＿ssd可以部署在手机上,这样通过目标检测算法可以预测得到植物叶片和病斑面积,从而对叶片病害严重程度进行估计。实验表明该模型预测面积与实际区域拟合程度高,能很好地预测植物叶片病害程度。