植物病害是影响农产品产量与质量的重要因素之一,研究发现植物的许多病害主要发生在叶片上,通过观察植物叶片可直接判断出病害类型。传统的植物病害识别主要以人工判断为主,这种方式存在主观性、盲目性以及效率低下等问题。随着计算机视觉技术的不断发展,使用计算机视觉的方法对植物病害进行智能识别成为一种有效手段。在利用计算机视觉识别病害的过程中,植物叶片中的病害区域准确分割是植物病害识别的关键技术。近年来,深度卷积神经网络在计算机视觉领域取得了优异成绩。其中基于卷积神经网络(Convolutional Neural Networks,CNNs)的图像分割方法被广泛应用于解决医学图像分割、自动驾驶以及遥感图像分类等多个计算机视觉问题。针对不同的研究领域,许多研究人员提出了FCN、SegNet、U-Net以及DeepLabV3等多个图像分割模型。但将现有的图像分割模型应用于植物病害叶片图像分割时,存在着模型训练时间长、分割效果差以及模型复杂度高等问题。为了有效解决植物病害叶片图像分割问题,本研究基于现有的深度学习方法提出多尺度残差卷积神经网络(Multi-Scale Residual Convolutional Neural Networks,MSRCNNs)和多尺度多列卷积神经网络(Multi-Scale Multi-Column Convolutional Neural Network,MSMC-CNNs)分别用于解决复杂环境下的植物病害叶片图像分割以及不同程度的植物病害叶片图像分割。其中MSR-CNNs主要包括编码网络和解码网络两个部分,编码网络包括卷积层、池化层和激活层等结构,解码网络中则引入深度残差结构,用于增强网络模型的特征提取能力;MSMC-CNNs由多列编码网络和多尺度解码网络组成,在多列编码网络结构中不同尺度的卷积层使用跳跃连接操作进行级联,能够有效增强卷积层中特征信息之间的传递。多尺度解码网络中则使用九点线性插值算法作为反卷积层,用于恢复输入图像的特征图分辨率。在实验的过程中,本研究提出了MSR-CNNs和MSMC-CNNs两种用于植物病害叶片的图像分割模型能够有效完成对植物病害叶片图像的病斑区域分割。其中MSRCNNs主要用于复杂环境下的植物病害叶片分割,MSMC-CNNs用于对不同程度的植物病害叶片分割。实验结果表明所提出的两种网络模型在分割精度以及模型训练时间上都优于现有基于卷积神经网络的图像分割方法。