松材线虫病是一种毁灭性松树传染病,其传播速度快、发病时间短、致病力强,已经成为我国最具破坏性的森林病虫害,不仅给我国带来了巨大的经济损失,而且对森林资源和自然景观造成了极大的破坏。我国松材线虫病的疫区数量和发生面积呈逐年增长的趋势,形势相当严峻,疫情的防控工作已是当务之急。及时发现疫区内的染病松树（以下称为“受害木”）,并采取安全处理措施是目前控制松材线虫病蔓延的有效手段。无人机遥感易于操作,且时间、空间分辨率高,可为受害木监测提供有效的图像数据,深度学习方法的性能优越且适用性强,已在众多领域取得了显著的研究成果。本文探究基于卷积神经网络和无人机遥感的松材线虫病疫区受害木的监测方法,主要内容如下:1、对2011-2019年我国松材线虫病疫区和疫区撤销的数据进行整理和处理,分析松材线虫病在我国的分布情况、疫情的蔓延特征和疫区的分布特点,并对各省级行政单位的疫区数量和疫区撤销数量进行统计。根据时间序列对疫区进行类别划分,并提出相应的防控策略。宏观了解我国松材线虫病的发生情况,可为后续的受害木监测研究提供参考。2、提出一种基于目标检测技术和坐标转换的受害木识别与定位方法。为了实现单株受害木的识别,采用无人机遥感获取实验区域的影像数据,再使用基于卷积神经网络的目标检测技术对受害木进行检测。根据受害木的冠幅大小修改RPN网络的锚框尺寸,考虑到干扰树木的存在,在数据集中加入因其他原因（干旱或自然死亡等）致死的松树（以下称为“其他枯死树”）和红色阔叶树的样本信息。在受害木检测完成后,通过坐标转换和点位合并可得到受害木在测试区内的精确位置信息和整体分布情况。3、提出一种基于语义分割技术的受害木识别方法。鉴于该技术可以实现像素级别的语义分类,在数据增强并额外添加一个裸土类后,提出基于语义分割模型Deep Lab v3+的受害木识别方法,在定量分析和定性分析两个方面与PSPNet、Seg Net和U-Net等模型进行比较,并与目标检测技术的受害木检测结果进行比较,探讨语义分割模型对受害木监测的可行性,并选出最佳的识别模型。