茶叶病害不仅会导致茶叶产量的下降,而且影响茶叶的品质和口感,精准地检测茶叶病害对病害的及时有效防治至关重要。近年来,由于深度学习和人工卷积神经网络的发展,计算机视觉技术在农业中作物病害检测领域得到了广泛应用。然而,自然场景中拍摄的茶叶病害图像背景较为复杂,图像中包含大量的树枝、枯叶、土壤、杂草等干扰目标,还存在叶片光照不均匀、密集遮挡、目标占比小、尺度变化大等特点。本文针对这些问题,开展基于卷积神经网络的自然场景中常见茶叶病害检测方法研究,主要内容如下:（1）采集并构建了茶叶病害数据集Data1和Data2。数据集Data1中包括自然场景中拍摄的茶藻斑病（TALS）、茶芽枯病（TBB）、茶白星病（TWS）和茶云纹叶枯病（TLB）四种茶叶病害图像;数据集Data2主要包括自然场景中拍摄的茶赤叶斑病图像。对数据集Data1和Data2中的茶叶病害图像进行预处理,并使用图像标注工具Label Img标注图像中的病害叶片。（2）基于改进的Retina Net目标检测网络用于自然场景图像中四种茶叶病害的自动检测。AX-Retina Net网络采用了改进的多尺度特征融合模块X-module,将茶叶病害图像的不同尺度特征进行多次融合,获得信息更加丰富的病害特征,缓解了小目标特征消失的问题,降低网络的漏检率;在此基础上,添加通道注意力模块Attention,该模块将每个特征图通道都加上自适应优化的权重,使网络关注有用的特征信息,降低冗余信息的干扰,提高病害检测精度;训练网络之前还给出了一种数据增广方法,该方法可以在扩充数据量的同时辅助网络训练。实验结果表明,AX-Retina Net对自然场景图像中茶叶病害的检测精度优于现有经典的目标检测网络,检测结果的m AP值为93.83%,F1-score值为0.954。（3）使用了结合自适应Anchor机制的Faster R-CNN目标检测网络检测自然场景图像中的茶赤叶斑病病害叶片,在此基础上使用Mobile Net网络评估了病害的严重度。Faster R-CNN网络结合了自适应Anchor机制,该机制可以让网络根据数据的特点自动生成更加符合训练数据的预设Anchor,同时缩短了调节回归框的时间,提升了网络的检测性能。对比原始网络的检测结果,Faster R-CNN结合自适应Anchor机制检测自然场景中的茶赤叶斑病叶片结果的AP值提升了8个百分点以上,F1-score达到了最大值0.874,检测性能远远高于其他经典的卷积神经网络;最后,使用轻量级网络Mobile Net进一步评估病害叶片的严重度,在精确检测的基础上,使用Mobile Net可以较好地评估茶赤叶斑病病害的严重度。