玉米是我国三大粮食作物之一,其生产产量既关乎到老百姓的安全和温饱,也密切制约着整个国民经济健康水平的发展。玉米不同病害的图像特征结构紧密相似,尤其在玉米叶部病发期时难以通过肉眼直观进行诊断判别。深度学习研究目前在国内主要的农作物病害智能检测识别及诊断应用方面已经取得一定的成果,这些成果都相对成熟且应用广泛。但其中针对一些农作物如水稻、玉米等的病害智能检测识别以及诊断技术方面的研究却相对欠缺。本文通过基于卷积神经网络与深度学习的新方法,设计并研发了能在移动智能手机上运行的一款新型玉米病害智能检测及识别系统。该系统能够实现自动识别检测玉米田间常见的几种有害病种,主要包括玉米大斑病、玉米灰斑病、玉米锈病和玉米健康叶片,该系统能实现实时、高效、准确地识别病害种类,帮助农户更好的管理玉米生产过程。本文研究内容主要如下:（1）探究了卷积神经网络的基本结构,利用玉米叶片病害数据集对不同模型进行识别效果的初步测试,分别对传统神经网络Alex Net,Goog Le Net,Res Net-50与轻量级神经网络Mobile Net V2进行对比实验。对比结果发现,轻量级神经网络Mobile Net V2具有优秀的识别效果和识别速度,且参数量均比传统神经网络Alex Net、Goog Le Net、Res Net-50要小,更适合移动端玉米病害识别平台的搭建工作。（2）在卷积神经网络的基础上,提出一种基于迁移学习的模型改进方法。通过使用该迁移学习方法,使模型在不增加运算时间的前提下识别准确率上得到进一步提升。将测试集的准确率、精确率、召回率和特异度等结合混淆矩阵模型的整体质量表现来作为模型性能的关键评价指标,为模型设计及参数选择提供有效参考。结果表明微调的迁移学习方法具有更好的识别准确率,经过微调迁移学习的Mobile Net V2网络的识别准确率为99.25%,且单个批次用时比传统Mobile Net V2网络缩短近了5S。证明通过微调迁移方法训练的模型更适合玉米病害识别工作,为移动端病害识别平台搭建提供新思路。（3）在微调迁移方法的基础上设计并实现了移动端玉米病害识别系统。用户通过拍照上传图像及调用摄像头实时获取图像两种方式就能快速获取该病害的种类信息与可信度。通过对本地田间玉米病害图像进行实地测试,拍照上传图像识别的准确率为84%,实时获取图像识别的准确率为74%。该识别系统在测试情况下能够对几种常见种类的玉米大斑病植株、玉米灰斑病植株、玉米锈病植株和玉米健康的叶片植株进行识别,为开发相关研究的人员提供技术支持,为我国玉米病害识别智能化研究提供重要支持。