农业作为我国第一产业,在我国经济体系中占有重要比重。受气候异常、人类活动多变等因素的影响,农作物病虫害爆发率较高,严重影响产量。传统的农作物病虫害识别工作仍停留在人工排查阶段,不仅耗时耗力耗材,效率还极为低下。目前,针对农作物叶片进行判别是病虫害防治的有效方法之一。传统的识别方法在背景环境较为复杂时难以捕捉高级语义特征,学习效率低、识别效果较差。基于深度学习的病虫害识别方法能够提取图像的深层抽象特征,网络的鲁棒性和抗噪能力均较强。但是由于农作物种类繁多且生长环境复杂,仅仅依靠图像进行识别的准确率难以提升。因此,本文将农作物图像与其生长环境信息相结合,提出基于深度学习的农作物图像分割与病虫害识别方法,提高了农作物病虫害识别的准确率,使防治工作更有针对性。本文的主要内容和创新点如下:（1）为了提高叶片边缘分割准确度,本文对U-Net网络进行改进,提出一种基于AA-U-Net（A-Inception+AM-SE+U-Net）网络的病虫害叶片分割算法。首先,将原始卷积替换为A-Inception非对称多通道卷积,实现扩大感受野、多尺度提取边缘特征的目的;然后,在跳跃连接部分引入注意力机制SE模块,丰富特征多样性并降低上采样带来的噪声,使网络更好地结合图像高层与低层语义。通过实验证明,在公开数据集上,本文的分割算法MIo U值达到74.8%,具有较强竞争力;在私有数据集上,本模型分割准确度达到91.2%,分割效果优于U-Net网络。（2）为了提高病虫害识别的准确度,本文提出了基于多模态融合的病虫害识别模型。首先,通过CNN-Non-local提取叶片图像全局特征;然后,利用DNN对传感器环境数据进行特征提取;最后,将两部分特征向量进行双模态特征融合后通过深度神经网络对农作物病虫害进行种类识别。经过实验证明,基于多模态融合的识别模型准确度达91.3%,识别效果优于单模态输入的模型,且经过泛化实验证明本文识别算法具有可移植性。（3）依托于上述研究内容,本文设计并开发了番茄病虫害识别系统,实现图像和传感器的实时监控与病虫害的自动识别功能,提高了智慧农业普及化的进程。通过对系统的识别准确度和功能进行测试,结果表明本系统可以达到预期的效果。本文包括图44幅,表17个,参考文献80篇。