苹果因具有丰富的营养和药用价值,成为中国的四大水果之一。苹果叶片质量是保障苹果生长的关键之一。然而,苹果叶片病害会降低苹果产量和质量,同时也会对果农造成重大的生产和经济损失,因此对苹果叶片病害进行快速而准确的识别具有重要意义。传统的叶片病害识别方法主要以人工检测为主,存在成本昂贵、效率低下和无法实现自动化等问题,而基于图像特征工程的方法又存在工作量大、依赖于人类经验而很难精准化识别等问题。针对上述问题,本文基于深度学习展开了对苹果叶片病害识别的研究,该方法不仅减少了图像预处理过程,而且可以自动提取图像特征并有很好的识别效果。本文的主要研究工作有以下两个部分:（1）为了解决训练集较小而无法满足训练需求、卷积神经网络参数量巨大和训练时间长等问题,本文提出了基于改进的VGG16网络和迁移学习方法的苹果叶片病害识别方法。为了降低模型复杂度,本工作去除了经典VGG16模型中的3个全连接层,用全局平均池化层、批归一化层和全连接输出层取而代之。为了减少训练时间和提高识别精度,本文利用迁移学习的思想,使用Image Net数据集对模型进行预训练,并初始化改进后的VGG16网络参数。最终对苹果叶片病害数据集进行识别实验,并将其与其它多种方法做对比。实验结果表明,本文使用的方法在苹果叶片的病害识别上取得了最优的成绩。（2）为了减少深度网络模型对数据量的依赖,针对训练样本数量只有个位数的情况,本文进一步研究了利用极少样本数据进行病害有效识别的方法。本文采用了一种融合卷积神经网络和图卷积网络的新型网络模型,并成功应用于小样本的苹果叶片病害识别。该模型首先将样本输入到一个卷积神经网络进行特征提取,每个样本特征和对应的hotone-编码作为一个图节点输入图卷积神经网络,并保证图节点两两相连,通过图卷积神经网络对样本集所体现出的图结构表达进行学习。最后的实验结果表明,在训练样本为10个时,本文提出的方法能够达到87.88%的识别准确率。即使只有1个训练样本,依然可以得到65.32%的识别准确率,这对极小样本情况下的预测识别问题,具有较高的实际应用价值。