从上世纪开始,先后有学者致力于快速诊断作物病害的研究,学者们希望通过使用电子设备代替人工观察来识别甚至控制农作物病害。近年来,随着深度学习的发展,应用深度学习进行作物病害识别与检测成为较可行且低成本的方法。图像处理技术和机器学习的方法需要人工提取特征,针对此问题本文提出一种基于深度学习的脐橙叶片病害识别方法。在以往使用深度学习识别作物病害的方法中,数据集是在实验室单一的背景下拍摄而来,而本文建立了一个包含六种常见脐橙疾病的复杂背景脐橙叶片图像数据集。用深度学习网络训练和学习这些图像,可以有效地识别和分类作物疾病。本文以赣南地区的经济作物脐橙病害为研究对象,展开了分类算法研究,我们将Mobile Net V2模型用作主要网络,并在识别速度,模型规模,准确性方面将其与其他网络模型进行比较。结果表明,使用基于Mobile Net V2模型的方法减少了预测时间的消耗和模型的大小,同时保持了良好的分类精度。最后,我们设计使用Mobile Net V2开发移动终端帮助识别农业疾病。本文的研究主要内容为:（1）在脐橙病害领域,当前暂无可公开、高质量的图像数据集。为此本次研究构建了脐橙常见病害的图片数据集,该数据集用于本文的研究,还可进一步发布公开,进而推动脐橙病害识别领域的发展。过去的植物病害识别的研究大多都是通过采集植物叶片,在实验室单一背景下进行拍摄得来,病害叶片背景单一忽视了现实应用中的复杂背景,而本次的图片数据是到果园实地拍摄得来,数据集更具有真实性。（2）在研究分类算法的过程中,应用经典的Goog Le Net系列中Inception Net V3网络模型进行迁移学习实验,训练出的模型识别检测训练准确度达到较高。为了实现可部署于移动设备,本文还进行了基于Mobile Net V2网络模型的脐橙病害分类研究。两个模型对比得出,Inception Net v3模型的准确度,但模型内存更大,而Mobile Net v2准确度相差不多的情况下,模型内存更小。（3）本文最后设计了一个基于Mobile Net V2模型的脐橙叶片病害检测系统,开发了一个可以快速识别病害的手机应用APP。