农业是我国经济建设和社会发展的基石,对千家万户有着直接影响。在农业领域中,农作物病害是威胁农作物生物安全,影响粮食产量和限制农业发展的主要因素。所以对农作物病害进行科学的诊断,并快速作出应对措施是解决病害问题,是促进农业持续发展的关键。与传统的农作物病害识别方法相比,深度学习凭借着效率高,识别快等优点在农作物病害的识别领域中得到了广泛应用。在此背景下,本文提出了一种基于深度学习的农作物病害识别方法,首先对残差网络ResNet-50进行改进,然后使用改进后的网络模型对农作物病害的识别进行了相关研究,最后通过YOLOv3实现对病害区域的目标检测,以方便后续农作物的病害防治。本文主要工作如下:（1）对实验数据集进行优化处理,丰富数据并使数据更加规范。在基准网络ResNet-50上,测试不同梯度下降算法在不同学习率下对农作物病害图像分类的影响,并将实验结果进行对比分析,选择出适合网络训练的优化器及学习率。（2）针对农作物病害识别任务,本文构建了一种混合注意力模块,将其与ResNet-50网络结合,加强网络对重要信息和通道的关注。并在此基础上对网络继续改进,利用双线性思想和多级卷积层特征融合,设计了一种基于特征融合的双线性注意力网络。改进后的模型提高了对图像边缘特征的提取能力,相较于基准网络ResNet-50,改进后的网络模型对农作物病害的识别准确率提高了0.93%。（3）在改进网络的基础上,借助迁移学习,使用辅助数据集对网络ResNet-50进行预训练,保存训练好的预训练模型,通过权重的迁移和网络的微调对目标数据集进行训练。并通过混淆矩阵及特征图可视化对网络模型进行评估,实验结果表明经本文算法改进后的网络鲁棒性较强,能够有效提高对农作物病害的分类能力,其识别准确率相较于基准网络提高了1.78%。（4）使用目标检测算法对农作物病害进行检测研究。本文使用LabelImg软件对农作物的病害信息进行人工标注,并通过YOLOv3算法对农作物病害的患病区域进行检测,实验表明,在对苹果叶部的四种病害检测中,其总体检测均值精度mAP达到了83.78%。综上所述,本文所提出的基于深度学习的农作物病害识别方法,具有较高的识别准确率,相较于传统方法,能够得到较为理想的识别结果,对智慧农业的发展具有具有一定的现实意义。