图像识别是当前农作物病虫害识别的重要方法,广泛应用于农作物病虫害的早期防治工作中。传统方法识别农作物病虫害图像既要经过大量背景,病斑区域的分割等繁琐的预处理,又要人为选取图像特征,这样工作量大且效果不佳,因此通常使用深度学习的方法来识别农作物病虫害图像,而普通卷积神经网络在面对具有细微差别的农作物病虫害图像分类问题时,难以关注到所需细节特征。网络层次的一味加深无法确保希望关注细节特征的获取,反而导致模型参数增大,所需训练资源呈倍数递增。因此,为了克服已有农作物病虫害识别模式的缺陷,模仿人类认知模式,本文探索了一种基于自适应注意力的农作物病虫害智能认知方法。本文主要工作如下:（1）针对现有农作物病虫害数据集样本不平衡的问题,基于非生成式数据增强方法对农作物病虫害图像进行数据扩充,将扩充后农作物病虫害数据集图像统一调整为相同尺寸,并作归一化和标准化处理,为后续模型训练和识别提供高质量数据支持。（2）引入注意力模块,构建具有注意力机制的深层卷积神经网络,捕捉不同通道之间具有空间相关性的细节特征,模拟其空间依赖性。同时利用交错组卷积降低卷积运算的通道冗余,提升网络计算效率。（3）提出一种双重损失函数监督网络模型参数的训练优化,采用交叉熵损失函数作为网络的主损失函数,并根据农作物病虫害数据集的特点采用中心损失函数作为辅助损失函数,以构建更为准确的病虫害分类准则。（4）构建基于语义误差熵的农作物病虫害样本评价指标,对农作物病虫害认知结果的可信度进行在线评估,自适应调节网络交错卷积注意力模块层级,实现病虫害样本多层次特征空间的自寻优调节,对不满足可信度评估指标的农作物病虫害样本实现病虫害类别再认知。（5）建立农作物病虫害的多层级模型联合判别机制,面对农作物病虫害的多层级模型集,通过自适应调整权重集成模型集中不同交错卷积注意力模块层级网络模型的识别结果。为了验证本文基于自适应注意力的农作物病虫害智能认知方法的有效性,本文在玉米、葡萄和番茄三个数据集上进行了全面的对比实验,本文方法的识别精度总是高于其他算法,为将来使用手机摄像头快速准确的识别农作物病虫害提供了理论支持。