准确及时的虫情监测是农林业虫灾预警的关键技术。目前,林业诱捕器监测领域仍大量依赖人工的识别计数,另一方面,已有的基于图像的昆虫检测方法对拍摄环境要求较高或需要手动的预处理操作,难以满足实际应用需求。基于此,本文提出基于深度学习目标检测技术的昆虫检测方法,探索利用深度学习技术实现不同场景下的昆虫自动检测的可行性,在模型的设计上,充分考虑应用需求,设计能在嵌入式设备或笔记本电脑上运行的轻量级检测模型,摆脱检测过程对大型工作站的依赖。一方面,本文设计联合识别模型,针对高分辨率图像将检测过程分为定位和分类两个阶段,以较低的运算和存储开销处理高分辨率昆虫图片。实验结果表明,在农作物害虫数据集上,联合识别模型的平均整体准确率为0.833,较标准检测模型提高了13.5%,在GPU服务器和笔记本电脑上,单张图的平均检测时间比高分辨率检测模型分别快 45.17%和 66.65%。另一方面,本文设计轻量级检测模型,通过特征提取器、特征金字塔和预测模块的优化对模型进行了运算量和体积的压缩以及检测能力的强化,实现了模型在嵌入式设备的运行,实验结果表明,在蠹虫数据集上,轻量级检测模型的红脂大小蠹平均准确率为0.746,在Jetson TX2和Raspberry Pi 3B上单张图的平均检测时间分别为0.448s和23.44s。通过实验,本文实现了不同场景下的昆虫自动化检测,有效验证了基于深度学习的目标检测技术在虫情监测领域的可行性,改进的轻量级检测模型可为林业虫情监测物联网的建立提供核心识别技术。