桃树是中国重要的经济果树,其产量和品质影响着国民经济的发展。由于受叶部病害的侵染,导致桃大量减产和品质下降,造成严重经济损失。桃农识别桃树叶部病害的方法主要凭借经验知识进行判断,存在主观性强、工作强度大和准确率低等问题。近年来随着深度学习的深入研究,深度学习被广泛应用于农作物病害图像识别中。深度学习采用自监督学习,避免人工抽取特征带来的主观性问题,能够自动提取病害图像的特征信息,并通过高维特征表示病害图像的抽象语义信息,对病害图像快速准确识别。本文以提高桃树叶部病害图像识别精度为目标,基于深度学习展开对卷积神经网络和循环神经网络等相关工作的研究,主要研究内容如下:（1）针对卷积神经网络因忽略桃树叶部病害的位置信息和病害区域间的上下文关联信息,造成桃树叶部病害图像识别精度低的问题,提出了一种基于卷积循环神经网络的病害图像识别算法。卷积神经网络在识别桃树叶部病害图像时,卷积操作和池化操作被分别局部执行,存在病害位置信息和病害区域间的上下文关联信息缺失问题。因此,在卷积神经网络中引入双向长短期记忆网络,对病害特征序列进行双向特征提取,记忆桃树叶部病害的位置信息和挖掘病害区域间的上下文关联信息。实验结果表明,提出的算法在测试集上的识别准确率为93.73%,具有较高的识别精度。（2）针对桃树叶部病害图像长尾分布问题,提出了一种基于解耦表示学习与分类器的双通道识别算法。解耦表示学习与分类器算法是解决长尾分布识别问题的重要方法,但存在特征表示能力差和损失头类精度的问题。提出的双通道识别算法以解耦表示学习与分类器算法为基础,由表示学习和分类器学习两阶段组成。在表示学习阶段引入Image Net预训练参数并进行参数微调增强特征表示能力,分类器学习阶段中的双通道固定表示学习阶段学习的参数并分别关注头类和中尾类,通过残差融合机制得到最终的分类结果。实验结果表明,提出的双通道识别算法在测试集上的整体识别准确率和头类识别准确率分别为93.81%和94.21%,有效地提高了桃树叶部长尾分布病害图像的整体和头类识别精度。（3）针对桃树叶部病害图像类内差异显著问题,提出了一种基于空间-时序特征融合的桃树叶部病害图像识别算法。桃树叶部病害存在生命周期,不同病害时期病斑的颜色、形状和大小等特征各不相同,并具有一定的时序特征。因此,将卷积神经网络与循环神经网络结合,融合空间和时序特征增强学习有效特异性表征的能力。同时,为增强图像中不同空间位置的特征提取能力,将卷积神经网络中的3×3卷积操作替换为内卷积操作。实验结果表明,提出的算法在测试集上的识别准确率、精准度、召回率和F1值分别为94.87%、93.61%、92.54%和93.07%,具有较好的识别效果。