褐飞虱是主要的水稻害虫之一,每年都给水稻产量造成一定的影响,有效地统计褐飞虱数量具有重要意义。农业植保人员在调查褐飞虱数量时,常用的方式有盆拍法、目测法和扫网法等,这些方法都需要调查调查人员用肉眼去对褐飞虱进行识别和计数,当调查时间较长时,调查人员容易感到疲劳,从而导致调查的准确度下降。近年来深度学习技术发展迅速,取得了许多突出的成绩,研究人员开始将深度学习技术应用在各自的领域,本文主要研究使用深度目标检测网络对水稻局部图像中的褐飞虱进行检测和计数。本文主要的研究内容和成果有:（1）试验采集了若干的褐飞虱图像,挑选了其中较为清晰的图像经过预处理后制作成VOC2007格式的数据集,并用于训练深度目标检测网络。课题首先研究了基于Faster R-CNN网络的褐飞虱图像检测算法。Faster R-CNN是一种两阶段的网络,它首先使用RPN网络产生若干高质量的建议区域,接着将建议区域送入到Fast RCNN网络进行进一步的目标识别和定位。试验比较了在不同特征提取网络下Faster R-CNN训练的性能,经过对比发现,当特征提取网络为Res Net101时,网络的性能最佳;接着比较测试了不同大小范围的Anchor对网络性能的影响,试验表明当Anchor的尺寸范围为[48*48 96*96 192*192]时,网络取得最佳训练结果;最后,本研究对比用不同图像增强方式对网络性能的影响,试验表明通过图像裁剪方式和图像错切扩展的数据集最有利于提升网络的性能。通过上述三个试验,为Faster R-CNN网络选取了合适的特征提取网络,同时对网络参数进行了调整并且优化了网络的训练,从而使网络的性能得到提升,最终训练的网络AP值为0.658。（2）研究了基于R-FCN算法的褐飞虱检测算法,R-FCN算法是基于Faster RCNN网络改进而来,它保留了RPN网络结构,同时在核心网络中加入位置分数图,并用卷积层代替了网络的全连接层,从而提升了网络的定位精度,加快了网络运行的速度。试验同样通过为R-FCN网络选择合适的特征提取网络和Anchor尺寸范围,并且通过图像增强的方式对网络的性能实现提升。R-FCN网络还提供了OHEM训练方式,试验比较了一般训练方式与OHEM训练方式的差别,结果表明在相同的训练次数下,OHEM训练方式具有更佳的训练结果。经过优化训练后,R-FCN取得的AP值为0.762。最后,对比了Faster R-CNN和R-FCN两种算法最佳的训练模型在测试集的具体检测结果,并选择综合性能较优的算法进行褐飞虱的检测和计数。（3）提出了双层R-FCN网络的褐飞虱检测和计数算法,算法第一层用来检测图像中的水稻区域,试验比较了区域生长法、大津法、基于k-means分割算法与Faster R-CNN等算法提取水稻区域的效果差异,并最终选择了Faster R-CNN+VGGNet16算法用于提取水稻区域。算法第二层先将第一层提取的水稻区域分割成上下两个区域,再用训练好的R-FCN网络依次进行褐飞虱检测与计数。试验表明采用两层的褐飞虱检测和计数算法能有效提升算法的召回率,使算法的召回率达到60.44%。（4）开发了基于网页和服务器端的褐飞虱检测和计数系统,用户可在网页端上传图像进行褐飞虱的检测和计数,并且可在“我的检测”页面,查询历次调查的结果,同时还可查询到每次调查具体的图像检测结果。