水稻是中国重要的粮食作物,但其生长过程中容易受到害虫的侵害,产量和品质都会因此出现不同的程度的降低。准确的检测和诊断害虫对于提高施药决策的针对性及精准预测作物的产量至关重要。稻田中的害虫多种多样,不能保证每类害虫样本数量都能使检测模型收敛。本文研究在样本数量不充足导致从头训练的模型不收敛时,如何使其收敛并提升模型的准确率。本文主要开展了以下工作:（1）创建的水稻害虫数据集包含5个类别,共计1343张。原始图像通过互联网下载和学校试验水稻田内手机拍摄2种方式获得。水稻害虫的主要背景有稻田、沙地、白纱布、实验室盆栽;视角有正视、侧视、俯视;害虫姿态有倾斜,重叠。每张水稻害虫图像上至少有1只害虫。为丰富样本数量,通过随机裁剪,翻转,旋转三种处理方式增强数据集的容量,增强后的样本数量增加了接近2倍。最终将各类别之间图像的数量维持在1:1.5之间,以保证样本的均衡性。随机选择图像按比例4:1分成训练集测试集。本文将级联R-CNN中提取特征的骨干网络,通过公开数据集Image Net、Cifar100中和水稻害虫外观相似的类别做预训练,再在水稻害虫数据集上做微调。（2）通过数据扩增和预训练能够使级联R-CNN收敛,但因为害虫目标小难以检测的问题让模型准确率依然很低。为了解决小目标检测的问题,本文对级联R-CNN进行了改进。首先使用特征金字塔结构FPN提升模型提取小目标的能力,平均精度AP提升了2.32%;再使用Soft NMS替换原来的非极大值抑制NMS,减少因为重叠而丢失的检测目标;再通过感兴趣区域校准ROI Align在规范化提取特征时保证小目标的特征不被丢失,平均精度提升了1.74%。实验表明,该方法能够有效的识别和检测复杂背景下的水稻害虫,且其平均准确率m AP达到94.15%。（3）当样本数量更少时,在数据扩增和预训练的方式下模型依然无法收敛。为了解决以上问题,本文在优化后的级联R-CNN模型后级联了一个优化FSDet View模型的少样本检测网络。该网络是在算法FSDet View基础上,通过在区域建议网络中引入了注意力机制来提升模型的准确率。由于区域建议网络结构的变化,本文给出了相应的损失函数。模型通过PASCAL VOC数据集学习对比网络的参数,再在水稻害虫数据集上做微调并预测。实验表明了在区域建议网络中加入注意力机制提升了原算法的准确率,在每类10张样本的条件下准确率达到了57.4%。本研究建立了两种基于不同样本数量的水稻害虫检测算法。首先使用级联R-CNN模型做检测,在样本数量进一步减少导致模型无法收敛时,再通过判断条件切换成少样本检测算法做检测。从而为后续农业害虫的智能化检测算法研究提供理论支撑。