随着人工智能技术的发展,计算机视觉和农业工程领域的研究人员开始将人工智能技术与农业生产知识相结合以加速智慧农业技术的发展,从而达到对农业生产过程进行自动化、智能化管理与生产的目的。在柑橘领域,近年来,众多研究人员针对柑橘病害识别问题提出了很多基于机器学习与深度学习的柑橘病害识别方法,大多数方法也取得了不错的识别效果。然而,在目前的柑橘病害识别方法中,大多数都是针对实验环境拍摄的柑橘病害叶片进行识别,忽略了在自然环境中存在的遮挡、拍摄角度不一、光照强度不一等问题,从而影响算法在实际种植环境中的识别效果,降低算法对柑橘病害的识别准确率,无法很好地应用到实际的柑橘种植生产活动中。此外,如果在柑橘患病早期及时发现柑橘的各种发病症状,在控制其病情加重、防止病情扩散、降低柑橘产量损失等方面都有比较重要的现实意义。因此,本文针对复杂自然环境下的柑橘病害识别方法、柑橘病害受病程度识别方法进行了相应的研究和优化。本文针对复杂自然环境下的柑橘病害识别问题的主要研究内容及成果如下:（1）针对复杂自然环境下柑橘病害图像识别准确率不高的问题,提出一种基于Res Net34深度学习模型的多类别柑橘病害图像识别方法。通过舍弃部分残差结构中的identity映射,进一步提取柑橘病害图像的低层特征,降低消极特征在低层特征的占比,得到对积极特征更敏感的S-Res Net模型。与Res Net34模型相比,S-Res Net模型对自然环境下柑橘病害图像的识别准确率提高了3.9%。同时,引入更细粒度的卷积核来优化模型,使用若干细粒度的卷积核替换原有粒度较大的卷积核来提取柑橘病害图像中的深层特征,得到更具表达力的M-Res Net模型。使用模型融合方法将S-Res Net与M-Res Net进行融合,得到对新样本的适应能力更强的融合模型F-Res Net,解决了单一模型中泛化能力弱、鲁棒性较差等问题。实验结果表明,F-Res Net对自然环境下柑橘病害图像的识别准确率达到93.6%,改善了对复杂自然环境下柑橘病害图像的分类性能。（2）针对深度学习方法中不同类别图像的细粒度特征差异细微、分类困难问题,本文提出一种基于无监督聚类图像分割、深度可分离卷积与迁移学习相结合的柑橘病害受病程度识别方法。利用无监督聚类图像分割对柑橘病害图像中的显著特征进行提取,使用深度可分离卷积压缩模型参数与体积,并使用迁移学习方法重用模型参数与权重。最终得到的柑橘病害受病程度识别模型的准确率为88.79%,可以较好地满足实际果园中的病害识别需求,具有良好的应用前景。