随着环境气候污染的日益严重,农业病害的问题显得愈发突出,叶片病害、树干病害成为人们关注的焦点问题。目前,农业病害通常仅仅依赖专业人员的人眼观察和人工经验判断,导致病害防治容易产生误诊断、治理速度慢等问题,从而带来大量的经济损失。因此治理病害最关键的部分就是依靠科学的手段,快速判断病害种类,从而做出科学有效的应对措施。随着计算机视觉技术的快速发展,传统的机器学习和深度学习方法在农作物病害分类和识别中的应用越来越广泛。而实地拍摄收集的农业病害图像会因生长背景环境复杂、光照不稳定、姿态各异导致了识别的时间复杂度高、特征提取困难、对于图片多样化变化的识别鲁棒性较差,使得分类识别更加困难,限制了传统机器学习方法的识别效果。而深度学习方法对几何、光照和形变都具有一定程度的适应性,能够结合提取的特征描述,具有更好的灵活性和泛化能力等优点。本文主要基于深度学习框架上展开实验和对比分析,主要实验内容和研究的创新点包括以下两个方面:1.提出了一种基于卷积神经网络的改进算法,获得高效的原始图片分类和识别效果。针对训练收敛时间长,模型参数过大的问题,对传统的卷积神经网络进行改进,提出一种Inception模块整合特征融合,结合着SE block结构与全局池化层相结合新的卷积神经网络的识别模型。对特征数据进行多尺度的融合,提高病害数据集的准确率,最后利用全局平均池化层代替全连接层,减少模型参数量。在测试数据集上获得了91.7%的准确率,模型参数量降到57.3MB,在模型参数和训练时间有大幅度的缩减。2.对于实地收集的苹果树干病害图片数据集,利用卷积层提取病害区域信息优越性的特点,实现对不同病害类别的准确分类。对于数据集第二类轮纹病图片集,呈现出病害区域难以识别、特征信息分辨不清的特点,使用预训练模型和自适应学习相结合训练方式下,使得收敛很快达到平衡状态,单个类别(树干轮纹病)在分类精度提升了约6%,最后的实验结果在树干数据集上的准确率达到94.5%。