水稻是我国最主要的粮食作物之一,在国家农业生产中占有极其重要的地位。全中国水稻常年种植面积约为3000万公顷,年产量达2000亿公斤。水稻的病害种类非常多,对水稻产量影响非常大。纹枯病是水稻种植过程中常见的病害之一,具有发病重、危害大和易被种植户忽视的特点,近年来水稻纹枯病的危害程度越来越严重,极大地影响了水稻产量和大米质量。因此,如何高效、准确的对水稻纹枯病病害进行识别是目前水稻种植户急需要解决的难题。我国传统的识别水稻纹枯病病害的方法是通过植保专家利用肉眼去判断,这种传统的识别方法周期长且主观判断性强,不利于水稻纹枯病病害的及时防治。随着计算机硬件处理速度的快速提高和软件技术的进步,人工智能,图像识别,大数据以及深度学习技术都被广泛的应用在农业领域,尤其在农作物病害诊断识别领域研究深入。当水稻植株遭遇病害时,植株的生理结构和形态特征都会发生变化,例如:植株叶片变色,腐烂,形变等等。因此,本文以北方寒地水稻纹枯病病害图像为研究对象,利用深度学习技术对水稻纹枯病进行识别研究,本研究对水稻产量的提高和国家粮食安全有着非常重要的意义。本文利用深度学习技术,结合支持向量机和粒子群优化算法对水稻纹枯病病害图像进行识别。研究内容主要包括以下三部分:(1)水稻纹枯病图像预处理研究。对采集的水稻纹枯病病害图像首先使用中值滤波算法消除噪声,然后采用高斯滤波对水稻纹枯病病害图像进行增强,最后采用Sobel边缘检测算子提取水稻纹枯病病斑特征,构建了包含15000幅水稻纹枯病病害图像特征库。(2)深度信念网络模型及其粒子群优化的深度信念网络的模型构建与训练。设计并训练了包含3个隐含层受限玻尔兹曼机的深度信念网络,采用梯度下降算法对该模型进行训练学习,并使用粒子群算法优化其网络结构参数和学习速率参数。同时利用粒子群优化算法对支持向量机模型中的惩罚因子和核函数参数进行优化最后利用优化的深度信念网络和优化后的支持向量机模型对水稻纹枯病图像进行识别并进行了对比分析。(3)AlexNet模型和GoogleNet模型对水稻纹枯病病害图像识别研究。基于Python+TensorFlow环境构建了AlexNet模型和GoogleNet模型,实现对水稻纹枯病病害图像的识别研究。在实验过程中,使用传统的浅层神经网络学习技术对水稻纹枯病进行识别时,识别准确率低,正确识别率仅为83.99%。当采用先进的深度学习模型识别水稻纹枯病病害图像时,深度信念网络表现出卓越的识别性能,对水稻纹枯病的正确识别率达到94.05%,粒子群优化后的深度信念网络模型,对水稻纹枯病的正确识别率达到95.72%,采用AlexNet模型和GoogleNet模型对水稻纹枯病病害图像的识别率分别达到91.64%和92.32%。结果表明,深度学习方法可有效识别水稻纹枯病,并提高了水稻纹枯病识别准确率。