农作物病害是对果园农业生产的主要威胁。病害导致的产量下降可能会导致不可估量的经济损失。因此,对农作物病害的快速识别具有重要意义。在各种检测方法中,基于计算机视觉的方法具有快速、精度高、可移植性好等优点,逐渐成为农作物病害检测研究的热点。而传统的机器学习算法需要人工提取植物叶片图像特征,难以适应现代化智能农业生产的需求。本文通过研究图像识别和卷积神经网络模型,提出了基于卷积神经网络的植物叶片病害识别算法,用于识别多种不同类型植物病害。本文的主要方法和创新点如下:首先提出了一种集成卷积神经网络来实现多类植物病害识别,该方法利用集成学习来提高识别性能,相比于单一网络结构能有效地提高识别精度。此外,还提出了一种新的动态激活函数,该激活函数在Re LU（Rectified Linear Unit）上进行改进,可以让卷积神经网络具有更好的鲁棒性。接着,为了在移动设备上实现植物病害识别,本文设计了一种轻量级卷积神经网络,可以在保持相对可靠的准确率的前提下大幅度上减少了病害识别所耗费的计算资源。实验结果表明,该轻量级卷积神经网络的模型与当前先进的神经网络算法相比,在识别精度和速度上均处于较领先的水平。最后,为了让研究更加契合实际生产需要,本文搭建了基于深度学习的植物叶片病害识别平台,同时开发了对应的图像预处理系统。本文所提出的集成卷积神经网络的植物病害识别,在10种植物总共60个类别的数据集上进行了实验,平均准确率达到93.66%;另外,为提升病害识别的速度所设计的轻量级卷积神经网络则将识别速度提升到了5毫秒;在实际应用上,本文搭建的植物叶片病害识别平台简洁易用,对果园区域的病害实现了预期的病害识别与预防。