传统识别农作物病害的方法大多凭借经验,人工确定病害类别,识别效率和效果不佳。随着越来越多的学者将机器学习方法应用于农业,识别农作物病害的效率问题有了较大改善,但传统的机器学习的方法需要人为地根据经验去选定并提取特征,识别效率依然有待提升。虽然深度学习识别方法可以自动提取特征信息,降低了人工成本且准确率也有所改进,但与此同时,现有的基于深度学习的农作物病害识别模型也存在参数量大、模型臃肿、识别速度较慢、识别精度有待提升等问题。鉴于此,本研究以公开数据集Plant Village为研究对象,结合机器学习、深度学习以及迁移学习等相关知识,使用并改进了卷积神经网络结构,通过迭代训练应用于农作物病害识别研究中,本论文的具体工作如下:（1）针对传统数字图像处理方法识别农作物病害存在的工作烦琐、工作量大、耗费时间长等问题,本文采用ShuffleNet、MobileNetv3以及EfficientNet三种卷积神经网络,通过对农作物病害数据集进行大量的训练与识别验证,并通过提前对数据集做了大量的预处理工作,对比试验网络模型的各个超参数设置来提升识别效果。（2）针对网络参数量、计算量过大、训练时间和收敛时间较长、病害数据集中类别分布不均衡等问题,通过替换优化器、损失函数、网络结构优化、引入注意力机制和迁移学习等一系列策略,提高了网络模型的整体性能,提出了基于ShuffleNet的改进模型:FL-ShuffleNet。（3）将上述研究内容进行整合,以FL-ShuffleNet作为农作物病害识别的基础网络,开发了一款基于Android的移动端农作物病害实时检测系统,用户只需在移动端设备安装APP,即可不受地域限制上传病害图像,并及时获取病害诊断信息,以期提高农作物病害识别、诊断、防治的效果,推广专业的农业知识。