松材线虫病是我国森林资源防治工作的重点,松材线虫病散播迅速,难以控制,致死速度快等问题。该病自1982年传入中国,累计致死松树月5亿多棵,造成极为严重的自然资源及经济损失。因此松材线虫病树的防治是我国自然资源监管亟待解决的问题。目前我国对松材线虫病树监管的方法主要包括:地面人工监测,诱捕器监测,遥感监测等技术。地面人工监测效率较低且非常消耗人力,诱捕器监测主要通过悬挂诱捕器诱捕松墨天牛等传染源来达到监测效果,这种方法的效果并不稳定。利用遥感或无人机影像进行监测则是目前最常用的监管手段。基于光谱信息的卫星遥感图像存在着空间分辨率低的问题,在遥感图像上很难识别具体的树株。基于多光谱的无人机数据虽然可以获取植物的光谱信息,但存在多光谱相机成本更高,不适合大规模广泛应用。基于可见光的无人机图像虽然没有光谱信息,但获取较多光谱图像成本更低,且拥有较高的空间分辨率,随着深度学习方法在病虫害检测中的应用越来越广泛,将深度学习方法结合可见光图像的方法成为了一种新的病虫害检测方向。为了达到应用层面,实验中使用的可见光图像的空间分辨率较低,可见光图像空间分辨率较低带来的问题主要有:（1）马尾松等单株松树目标较小,相对于整张数据集影像占比很小,这导致在深度学习模型进行采样时,采样在背景上的样本远远多于在目标样本上的采样,严重影响了模型的训练精度。（2）病树检测的数据集存在着地物复杂,病树样本和一些容易混淆的地物不易分开,这些样本被称为异常样本。异常样本梯度很大,让模型强行拟合异常样本不仅不能优化模型参数,反而会降低模型的鲁棒性。基于以上问题,本文提出了两个方法来解决上述问题,主要包括:（1）提出了一种基于采样阈值区间加权的采样算法。首先将样本空间划分为简单样本区间和困难样本区间,根据样本的分布规律,简单样本的占比远远大于困难样本的占比。简单样本是模型很容易分类的样本,大量学习简单的样本不能提升模型的能力,困难样本则是模型难以分类的样本,是模型需要学习的样本。因此本文通过实验设计了一种加权策略,根据当前采样阈值内的样本量与整体样本空间的样本量比例作为加权系数,提高困难样本的采样比例降低简单样本采样比例,从而优化整体样本的采样质量。（2）提出了一种基于梯度优化的松材线虫病树检测模型。在病树检测中,地物广泛,其中存在很多和目标样本相似的地物。这些地物模型的估计值与真实值的差距很小,然而这些样本并不是目标样本,会给予模型错误的优化方向,这些样本我们称之为异常样本。传统的交叉熵损失函数不能识别数据集中存在的异常样本,异常样本的迭代会降低整体网络的鲁棒性。本文根据梯度分布规律,提出了一种基于样本梯度分布加权的损失函数。梯度的取值范围是在0-1之间,样本数量随着梯度的增加逐渐减少,这是因为简单样本的数量远远大于困难样本,而梯度越接近于1时,样本量发生异常的增加,这部分样本即为异常样本。实验通过对梯度区间进行划分,统计单位区间样本量,由于异常样本的数量多于困难样本,即可通过单位区间样本量动态调整损失函数的权值,达到抑制异常样本梯度的效果。综合上述方法,本文提出了一种松材线虫病树目标检测模型。该模型的通过提高困难样本的采样率和抑制异常样本梯度,成功提高了检测模型的性能。在本文标注的松材线虫病树数据集上进行实验,结果表明本文提出的模型在松材线虫病树检测中获得了最佳的性能。对比其他的主流检测模型,本文提出的检测网络,在较低空间分辨率的数据集中能更准确的识别出病树。