茶叶是我国农业作物的重要组成部分,但随着我国茶叶植物面积不断的扩增,茶叶病害问题日益突出;并且根据欧盟对世界上32个茶叶出口国和地区分析发现,我国茶叶农业残留物是世界上茶叶出口国超标率最高的国家之一。为减少茶叶因病害造成的损失,以及农药的使用程度和对环境的影响。本文将从茶叶病害的识别切入研究,为茶叶病害自动化诊断提供了可行性方案,推动茶叶智能化诊断发展,提高茶叶的品质和产量有重要意义。目前国内外对于茶叶病害研究很少,主要原因还是缺乏大量实际可用性的数据样本。并且在图像识别领域,传统机器视觉图像识别方法,需要人工提取特征流程较为繁琐;对于小样本的病害数据,采用卷积神经网络的识别分类研究容易过拟合,模型从头训练耗时长。所以本文针对以上问题,并且在研究了国内外关于茶叶的病害防治措施的基础之上,基于模型的迁移进行研究具体内容如下:（1）针对实际茶叶病害图像复杂,对病害特征不显著,本文提出了针对茶叶病害数据进行一系列处理,包括对图像分割后对病斑进行图像增强,以提高局部特征。（2）针对茶叶数据样本少,采用传统机器学习需要人工提取特征,而实际图像数据复杂,计算机成本高,很难被实际应用。所以本文提出一种使用卷积神经网络结合迁移学习方法,并通过微调,修改全连接层以适应目标域的识别任务。（3）对于有标签数据,源域与目标域相似程度不高的情况下,为进一步提高迁移模型对目标域的自适应性,提出一种改进DenseNet深度迁移模型。通过添加一个调整模块提高模型的特征识别力和自适应性,以减小源域和目标域之间的内容差异性。实验结果表明,这种改进方式有显著成效。