植物病害的自动识别对我国农业发展十分重要,快速高效的识别方法可以大大减少植物病害对农业从业者造成的经济损失。针对植物病害图像识别问题,利用深度学习网络可以以端到端的方式学习,从而获得更好的识别效果和更高的识别效率。本文以深度学习方法为基础,引入动态领域自适应方法来解决植物病害图像识别任务中样本数据量少的问题,引入基于Transformer的细粒度识别方法来解决同类植物不同病害之间难以识别的问题。本文主要做了以下三个方面的工作:首先,现实中植物病害识别任务提供的数据多为无标签数据或部分有标签数据,这为深度网络的学习带来了困难。借助迁移学习的方法可以将从源域数据中学习到的知识迁移到目标任务的学习中,以缓解目标任务中有标签数据不足的问题。为了在迁移过程中减小源域和目标域间的图像数据差异,本文提出基于深度动态联合自适应网络的植物病害识别方法。该方法对网络进行训练时,首先在多层网络结构中利用域间动态联合自适应分析了边缘分布与条件分布的相对重要性,完成针对性的数据分布自适应,然后利用熵最小化原则使学习的目标分类器穿过目标域的低密度区域。经过实验验证该方法提高了植物病害识别任务中对目标域图像的识别精度。其次,同类植物的不同病害分类任务属于细粒度识别任务,具有类内差异高、类间差异低的特点,比一般的识别任务更具挑战性。为了更好地获得图像的细粒度表示特征,本文提出了基于双线性Transformer交互网络的植物病害细粒度识别方法。该方法首先利用Transformer网络结构提取特征,并在特征提取时根据网络权重挑选出更能表示图像关键信息的特征,其次对挑选出来的特征进行自交互从而增强特征的表示能力,然后为了更好地判断图像之间的差异,基于同类图像利用双线性结构完成对比交互,最后将增强过的特征进行融合,并将融合后的特征输入分类器完成分类。经过实验验证该方法提高了植物病害和鸟类细粒度识别任务的准确率。最后,本文针对植物病害识别任务,综合以上提出的两种植物病害识别方法设计并实现了植物病害识别原型系统。该系统可以将本地图像上传到网页端,并且做出准确的识别,同时还有同类病害图像展示和用户反馈的功能。