农作物病虫害是农业生产中粮食安全长期存在的隐患,而农药的过度使用将造成过多残留量,将严重影响人的身体健康。随着人工智能在农业的应用越来越广泛,由于人工识别农作物病害带来的效率慢和准确率低等问题逐步得到解决,农业病害发展初期防治的最佳时机成为重要目标。深度学习技术应用到农业病害的识别上取得很好成效,但目前还存在样本不平衡、困难样本分类难等问题。论文针对这些问题,提出几项算法的改进措施并搭建农作物病害识别网络,以及利用迁移学习技术。将目标识别技术应用到自制数据集上,实现了在农业病害识别的任务需求。论文的主要研究工作如下:首先,针对农业病害方面的数据集制作起来成本高昂,耗费人力的问题。在研究工作的前期,采用通过在网络收集和实地拍摄等方式采集小规模数据集,然后采用缩放、水平翻转、垂直翻转、角度旋转、亮度调节、对比度调节以及颜色调节等手段进行数据扩充。由于收集到的图片尺寸以及大小不一致,所以还需要进行归一化处理,将图片的尺寸调整为256*256;其次,在获取“AI challenger 2018”数据集和自制数据集后,剔除标签与目标不匹配的图片,筛选出合格的图片以适应网络的训练。另外采用Label Img软件对两个数据集进行人工标注,其中预训练数据集“AI challenger 2018”有10639张照片,自制数据集有1555张图片;通过人工标注出目标的左上角点、右下角点以及标签。生成训练需要的xml格式文件;第三,论文联合了Retina Net和FCOS网络,着眼于解决样本不平衡问题和困难样本分类难度高的问题,提出来算法的改进。该改进基于Retina Net网络,通过特征金字塔层（FPN,Feature Pyramid Networks）,SENet,空洞卷积等技术搭建的一阶算法。提升网络框架对类别不平衡和困难样本难分类等问题的处理能力,以及提高感受野和减小基于无锚算法的计算量;提升召回率和对困难样本分类难的问题。最后,将搭建的算法在“AI challenger 2018”数据集上进行训练,再在自制数据集上进行迁移学习。使得算法能够适应农业病害的识别,通过实验发现实验结果取得良好的预期,说明改进算法能够较好适应农业病害的识别。综上,通过自制农业病害数据集以及对数据集的预处理。再加上针对性的改进措施并搭建农作物病害识别网络,以及结合迁移学习技术。使得目标识别技术能够在农业病害的识别上具有较好的适应性。也说明迁移学习技术能够在各自的研究领域任务中,具有较好的可迁移性和普适性。