农业,是我国国民经济中一项不可或缺的中坚产业,农作物的病害防治影响着我国经济的发展。我国有着众多的农业生产基地,在所有基地中,东三省以其优越的地理位置而占据重要地位。因此,研究东北黑土地下主要粮食作物的病害防治意义深远。传统的依靠人力肉眼判断农作物病虫害的方法费时费力,并不适合大规模的农业生产。利用计算机视觉技术及深度学习方法可以替代人眼观测,通过作物叶片图像的颜色、纹理、形状等差异实现病害种类的划分,是实现农业现代化、智能化的重要技术支撑。本文旨在研究东北三种主要粮食作物玉米、马铃薯、大豆中的十一种病害的病害识别问题,提出了一种基于卷积神经网络的黑土地主要粮食作物病害识别方法,以实现上述病害的精准分类及真实环境下的有效检测。本文提出的病害识别方法主要为:首先利用语义分割算法中的U-Net网络对农作物叶片数据集进行图像分割,分离出病害叶片的感兴趣区域并将其作为卷积神经网络模型的训练样本集;然后通过色彩增强和几何变换等数据增强方法扩充样本集并平衡各类别样本数量;最后选用合适的卷积神经网络结构,结合迁移学习的思想初始化网络参数并将训练样本分别输入至Mobile Net V2、Efficient Net V2、Shuffle Net V2、Des Net、Reg Net网络,训练网络并得到分类模型。比较模型在测试集的识别准确率并选取最优的神经网络模型。此外,为探究上述方法在实际复杂背景下针对黑土地三种主要粮食作物的病害分类效果,本文实地采集并构建了黑土地下的农作物叶片图像数据集,通过该数据集验证所提出的方法对于真实环境下病害检测的有效性。实验表明,与未经处理的原始叶片图像相比,经过图像分割、背景去除并进行图像扩充后的叶片数据集在采用卷积神经网络分类时取得了更好的分类准确率,其中Reg Net网络的分类效果最好。同时,本文所提出的方法在黑土地下实际拍摄的数据集中也取得了优异的分类结果。