作物的生长态势评估和病害检测是农业生产的必要环节,是实现智慧农业和农业自动化的重要组成部分。传统方式下的病害检测和生长阶段的判断主要依赖于农民和农业专家的经验,这种人工的方式不但低效费时,而且难以推广。随着深度学习的发展,深度学习驱动的计算机视觉由于其快速、准确、以及无损等优点被广泛应用于农业领域。本文将深度学习驱动的计算机视觉方法应用到水稻生长态势评估、以及训练样本不足和不均衡条件下的苹果病害检测。本论文的主要研究内容如下:（1）基于通道注意力机制和空间注意力机制提出了一种三通道孪生神经网络TCSNet,并在小样本的条件下对苹果病害进行检测,解决了训练样本不足条件下的苹果病害检测。通过与多个基线模型的小样本性能对比,验证了TC-SNet网络结构的有效性。此外,还讨论了四种基于基本图像处理的数据增强方式对TC-SNet模型性能的影响,验证了模型具有很强的鲁棒性。TC-SNet的综合评价结果表明,在每类25个训练样本的条件下,网络的准确率高达98.5%。最后,将TC-SNet应用到野外真实环境下对苹果病害进行检测。结果表明,TC-SNet在复杂环境中同样具有出色的小样本学习能力。（2）基于多头注意力机制和空间注意力机制提出了一种生成对抗网络Attention GAN,并在病害数据不均衡的条件下提高了植物病害检测性能。通过对比Attention GAN和基线模型DCGAN的生成图像的质量、多样性、以及生成图像与原始图像之间的相似度,证明了Attention GAN网络结构的合理性和优越性。结果表明,将Attention GAN应用到植物病害检测分类任务中,检测病害的准确率提高至96.81%。在病害数据不均衡的条件下,使用Attention GAN对不均衡类进行数据扩充,不均衡类的准确率从81.82%提高至95.56%,有效解决了不均衡类准确率低的问题。（3）基于计算机视觉的特征提取方法和支持向量机提出了一种水稻完整生长阶段的无损检测方法以及相应的评价指标GSR。首先将水稻的RGB图像转换到HSV颜色空间,并对水稻不同生长阶段下H通道像素频数的分布进行了讨论和分析。在此基础上,对图像中的绿色像素和黄色像素进行阈值分割,从而得到绿色区域指数和黄色区域指数,以此作为颜色特征。本实验结合不同水稻生长阶段的图像,分析了所提取的颜色特征和纹理特征的合理性,并通过实验验证了基于灰度共生矩阵的方式提取水稻图像中的纹理特征能进一步的提高水稻生长态势评估的准确率。结果表明,在水稻农田上GSR能准确地评价水稻生长阶段,其检测的准确率为98%。