近年来,随着农业科技的飞速发展,粮食总产量日益增多,但农作物灾害防治问题却日趋严峻。快速而又准确的农作物图像检测技术,不论是对苹果、葡萄等常见农作物病害的识别,还是对水稻等这类作物生长期的监测都有着重要意义。在农作物病害识别领域,传统检测方法主要直接采用方向梯度直方图(Histogram of Oriented Gradient,HOG)、局部二值模式(Local Binary Patterns,LBP)等人工特征算子。这类方法在病害图像纹理特征较为复杂时,检测精度不高。目前,基于深度学习的检测方法,通过对图像的多次训练,有着更的好检测性能,所以在实验前期需要建立完善的图像训练数据库。然而实际情况下,许多农作物病害图像数量稀少且难以采集,且少有公开的标准农作物病害图像数据库以供使用。改进深度学习方法过于依赖图像样本数据的一种手段,是使用生成对抗网络来进行样本图像生成。但常用的生成对抗网络生成的图像质量较差,受限于样本数量与多样性的不足,导致检测精度还有很大提升空间。在农作物生长期检测领域中,以水稻为例,目前主要使用遥感卫星图像数据来进行水稻生长期检测,此方法容易受天气影响且系统庞大。另外,由于水稻部分生长期图像纹理特征较为复杂,且不同图像之间细节特征差异较小,导致基于卷积神经网络的深度学习方法在使用过程中也遇到了瓶颈。本文针对以上问题展开了研究,相关研究工作及创新点如下:(1)建立了病害农作物掩膜图像及水稻生长期图像数据库,并将其上传至了网络以供后人使用,数据库链接:https://github.com/Kamiko Liu。(2)基于改进人工特征算子的农作物病害图像检测。通过融合不同种改进的人工特征,提出了局部线段矢量模式(Local Line Vector Pattern,LLVP)算子,并将其应用在了复杂环境下的农作物病害图像检测任务中,提升了传统方法下农作物病害检测精度。(3)通过引入纹理以及光照掩膜,改进了网络结构与损失函数,提出了一种光照掩膜生成对抗网络(Light Mask Generative Adversarial Networks,LMGAN)用来生成形状纹理以及光照亮度人为可控的高质量农作物病害图像。并根据实验结果验证了在LMGAN的帮助下,基于深度学习的农作物图像检测方法精度得以提高。(4)基于改进卷积神经网络的水稻生长期图像检测。首先使用卷积层取代了全连接层,让网络对输入图像的要求变得更加灵活,且实现了目标水稻区域的计算。然后通过引入基于Unet的柔性连接层,并优化了网络的损失函数,最终提出了一种农作物卷积神经网络(Crop Convolutional Neural Networks,Crop-Net),用来对不同生长阶段的水稻图像进行训练和测试,提升了检测精度。实验证明,本文所提出方法可以提升农作物图像的检测精度。不过,在深度学习领域,网络结构多种多样。在本文实验中发现,网络的检测性能易受图像质量的影响。因此,未来的研究方向,将尝试进一步优化网络结构,引入噪声模块,提高网络的抗干扰能力。