马铃薯产量高、种植广泛，是世界第四大粮食作物，在我国农业生产中占有重要地位。作为马铃薯的常见病害，早疫病和晚疫病严重制约了粮食产量的提高，严重影响粮食安全。因此研究马铃薯早疫病和晚疫病的快速准确检测对于实际农业生产有重要的意义。
　　传统判断农作物病害的方法主要有两种：一种方法是采用知识图谱的方式来判断病害，通过对比病害图谱来判断病害，该类方法的局限性在于准确率低且准确率和经验有关；另一种方法是基于计算机视觉的方法，该方法基于特征提取，局限性是好的特征提取过程复杂，准确率不高。
　　本文的研究旨在解决上述2个问题，不需要很强的农业专业知识就可以判断马铃薯的病害。也促进了人工智能技术在农业病害识别方面的应用，提高了农业作物病害的诊断效果。
　　本文基于卷积神经网络的GoogLeNet算法，对马铃薯病害的分类方法进行研究，主要工作如下：
　　(1)研究了不同的参数对马铃薯病害分类精度的影响，分析了不同参数对损失函数的影响，主要使用的理论是参数范数惩罚理论。研究发现参数取值到合理的范围内准确率会提高。讨论的参数有Base_lr,Momentum,Weight_decay,Lr_policy。这些参数的变化都会影响分类精度。
　　(2)研究了不同神经网络结构对马铃薯病害分类精度的影响，对模型的结构改进主要有：对于输入的改变，采用自编码网络来代替传统的输入、基于D-S理论的分类器融合(目的在于增加置信度，使得输出减少误判)、改进了Inception结构、增加了Maxout结构(目标在于增加GoogLeNet网络的拟合能力)，讨论了9个Inception模块分别剪枝后对模型泛化性能的影响，改进后的GoogLeNet模型的泛化分类精度达到96.4%，模型经过改进后有了更强的拟合能力且模型损失变小。
　　(3)研究利用了数字图像处理技术对原始的数据集进行扩充，把原始数据集扩充了2、4、6、8倍，测试集使用网络上的数据集，本文分别研究了不同数量的训练集对模型性能的影响，对于改进后的GoogLeNet模型，随着数据集的增大，模型有更快的收敛速度且更稳定。为显示改进后的模型的有效性，分别和CaffeNet，LeNet，AlexNet等三种神经网络进行了实验结果比较，此外也和传统的计算机视觉算法SVM和KNN的实验效果进行了比较，经过数据增强后，AlexNet模型的泛化精度是52.7%,CaffeNet模型的泛化精度是50.6%，LeNet模型的泛化精度是61.3%，GoogLeNet模型的泛化精度是98.0%。