在植物生长过程中,对植物生长态势进行及时有效的监测是十分必要的,其中病害和水分是影响植物健康生长的关键要素。因此,对植物病害的及时发现和治疗,以及对植物水分的有效监测是植物良好生长的前提。目前,植物病害和水分含量识别主要采用传统机器学习和深度学习方法。传统机器学习方法,其数据预处理过程较为繁琐,不具有普适性,且对数据分布要求比较高。深度学习方法是现在主流方法,但是,目前已有的深度学习方法忽略了网络层数加深导致的底层特征丢失问题以及信息量过载问题。针对上述问题,本文采用改进的深度学习方法从植物病害和水分两方面进行植物生长态势的监测识别研究。(1)针对植物病害识别问题,提出融合通道信息注意力网络的叶片病害识别模型。首先,为解决底层特征丢失问题,设计残差结构为主体的基础网络用于自动提取由浅到深层次的特征;其次,为了充分发挥不同特征的重要性,引入注意力机制,其目的为放大有效特征的同时抑制无用信息;最后,在基础网络的不同层次融合通道信息注意力网络。通过实验证明,融合后网络分类准确率比基础网络分类准确率高4.64%,并且融合模型准确率比VGG＿11、VGG＿16、Res Net18和TCCNN模型中识别率最高的网络模型高4.23%,融合后网络的复杂度相对于其他对比网络要低。总体来看,融合通道信息注意力网络对植物病害识别效果有效提高。(2)针对植物水分含量识别问题,引入迁移思想,实现融合通道信息注意力网络模型对叶片水分含量识别。首先,自行设计实验范式并采集数据,采用数据增强和随机擦除方法对数据进行扩充和均衡化;其次,利用上述模型对水分数据进行重新训练,同时,为了进一步验证模型的泛化能力,采用基于VGG＿11和Res Net18的预训练网络和上述模型进行对比;最后,分别将VGG＿11和Res Net18作为特征提取器和微调CNN的方法,对模型进行训练和验证。通过实验证明,融合通道信息注意力网络模型与迁移的预训练模型的两种方法相比,其分类准确率更高。对于植物病害识别问题所提出的融合通道信息注意力网络模型能够在较浅层的网络中达到更好的识别效果,并且模型的复杂度较低;同时,利用迁移思想,将该模型应用到植物水分含量识别中,最终识别准确率优于其他网络模型,验证了融合通道信息注意力网络的可行性以及有效性。