我国是世界上最大的苹果生产国,苹果发生病害会导致苹果产量和品质的降低,防治病害的重中之重是及时有效的发现并识别病害。本文以识别苹果叶片病害与果实病害为目标,构建了基于卷积神经网络的苹果病害分类与检测模型,实现了对苹果病害图像的分类以及病害区域的检测,并通过构建苹果病害目标检测系统,将检测模型嵌入系统中,实现苹果病害的快速有效检测。研究内容如下:（1）基于改进Res Net101的苹果叶片病害分类研究针对果农发现病害但无法识别病害种类的问题,提出一种基于改进Res Net101的苹果叶片病害分类方法。首先通过数据增强的方式对数据集进行扩充,之后采取推迟下采样、拆解大卷积层对网络模型进行改进,进一步结合ECA注意力机制优化网络模型。试验结果表明,改进后的P-D-E-Res Net101对于常见的四种苹果病害分类的准确率达到97.52%,能有效的对苹果叶片病害进行分类识别。（2）基于YOLOv5s模型的苹果叶片病害检测研究目标检测是分类任务的下游任务,上述改进的Res Net101网络无法识别同一图片中存在多种病害的问题,因此提出一种基于YOLOv5s的苹果叶片病害识别方法。模型采用Ghost结构来降低模型复杂度,之后使用EIOU作为损失函数增加模型对边界的判断能力,通过添加CA注意力模块增强模型对有效特征信息的识别能力,最后采用Bi FPN策略,提高模型精度。试验结果表明,改进后的Yolov5s模型参数量为8.4MB,与原YOLOv5s模型相比减少了42%,其m AP@0.5达到0.905,能够精准定位苹果叶片病斑位置并识别病斑种类。（3）基于YOLOv5s模型的苹果果实病害检测研究由于苹果叶片病害和果实病害具有相似性,进行叶片和果实数据迁移可行性试验。将苹果果实分为病害苹果和健康苹果,使用对抗性神经网络扩增数据集,并利用上节的苹果叶片病害数据进行数据迁移学习,完成苹果果实病害检测任务。首先通过减小特征值宽度与加入Ghost模块减小YOLOv5s模型参数,添加CBAM注意力机制提高模型精度,采用类Transformer编码器增强图像区域之间的语义关系。改进后的模型参数量为2.86M,平均检测速度为0.047s/张,m AP@0.5值为0.821,m AP@0.5:0.95为0.576。而后通过采取对抗性神经网络与在线增强的数据集扩增方式,结合二次迁移学习,将模型的m AP@0.5提升至0.837,较未采用数据增强和迁移学习的模型提升了8.1%,证明了苹果叶片病害迁移至苹果果实病害的可行性。（4）搭建YOLOv5苹果病害目标检测系统基于上述网络模型搭建YOLOv5s的苹果病害识别系统。在文件输入模式中提供图片输入与视频输入两种输入方式,为用户检测图片样本和视频样本提供了通道,同时还为用户提供了阈值和置信度设置界面,以满足不同用户对于识别精度的不同需求。综上所述,本研究实现了苹果叶片病害的分类任务,完成了苹果叶片病害与果实病害的检测任务,证实了苹果叶片病害数据迁移至苹果果实病害的可行性。此外还设计了苹果病害目标检测系统,此检测系统有望迁移到多作物的病害识别。