农作物病害是农业生产的主要自然灾害之一,严重制约了作物生长发育,威胁粮食安全。及时的分类识别并对症下药能够有效防治作物病害,提升农产品质量。但是,农作物生长过程中病害种类繁多,形态相似,这极大地增加了病害识别难度,且由于相关技术人员紧缺,常存在病害扩散的潜在危害,进一步增加了生产成本。因此,本研究借助深度学习技术,基于卷积神经网络对农作物病害进行分类识别,设计一种病害高效视觉检测方法,研发易于推广的识别系统。主要研究内容如下:首先,基于ResNet50网络提出一种农作物细粒度病害分类算法,通过引入迁移学习和SE注意力机制,并使用Focal Loss损失函数对模型进行训练,提高算法的模型精度、训练速度和泛化能力,以强化算法对于病害部位的关注力。试验结果表明,改进的TL-SE-ResNet50卷积神经网络模型平均准确率较原始ResNet50提高了 7.7%,达到96.32%。其次,对系统进行需求分析。经需求分析确定个体农户为系统使用主体,农田为系统使用环境。并使用E-R图对数据库表结构进行设计。基于需求和数据库结构开发农作物病害视觉害识别系统,该系统工作流程如下:在小程序端,用户上传图像到Flask后端,Flask调用TL-SE-ResNet50模型进行预测得到最终的识别结果,并回显到小程序端。同时,设计了一套基于GitOps的持续交付方式完成系统的部署交付,GitOps使用Gitlab CI完成持续集成（Continuous integration）,借助Argo CD实现持续部署（Continuousdeployment）服务。通过持续集成技术将代码构建成镜像,持续部署服务拉取镜像部署至Kubernetes集群,通过Kubernetes集群实现基于并发量的容器数量自动扩缩和多主节点高可用部署,符合云原生的开发理念。最后,对系统分别进行功能性测试和非功能性测试。通过功能性测试,小程序、后台管理平台等各项功能运行正常。非功能性测试使用了 Jmeter对分类接口进行压测,结果表明,分类接口响应时间为882 ms,Kubernetes集群容器能够实现自动扩容、缩容降低延迟。模拟控制节点掉线后选举产生新控制节点的情况,验证集群高可用功能。通过以上研究,建立了基于深度学习的农作物病害视觉识别系统。功能性试验和非功能性试验证明,系统功能、识别效率及准确度均满足设计需求。