玉米是我国重要的一种粮食作物,其种植面积广,产量高,为我国经济发展提供了巨大的助力。但是,由于人工耕种制度,病原菌多变,天气等原因造成玉米叶片病害逐渐加重,呈现病症也复杂多样。该问题一直是影响玉米产量,造成经济损失的首要难题。因此,对于玉米叶片病害的识别分类一直是人们关注的焦点问题。传统的识别方法是采用人工肉眼观察,但通过视觉观察检测叶病需要一个专家小组和持续的作物监测。因此,它非常昂贵,耗时和不可靠。并且不能达到实时性的要求。直到机器学习的快速发展,对玉米图像进行预处理,再利用支持向量机和神经网络等机器学习方法完成对玉米叶片病害分类。但此类方法过程处理较复杂,训练时间较长且识别准确率上还有很大提升空间,及时准确的识别玉米叶片病害不仅能够降低不必要的经济损失还能够使玉米增产。因此本文采用卷积神经网络对玉米叶片病害进行分类研究,主要研究内容如下:（1）研究和分析AlexNet,VGG-16,GoogLeNet这几种流行的网络模型性能,可以看出采用GoogLeNet模型较另外两种模型能够更准确的识别出玉米叶片病害,效果更好;（2）实验中发现GoogLeNet在训练测试中损失函数收敛较为缓慢,改进GoogLeNet模型,在卷积层之后池化操作之前加上批标准化层,使数据回归正常分布,减少训练时间。实验中发现特征经过前两次神经元激活时,训练集的表现良好,但测试集的叶片深层特征不够有区别性。为了使网络训练出的特征更有区分度,添加Center loss函数,按一定系数κ辅助Softmax loss函数来提高分类精度。并通过实验验证,模型最优系数κ为0.09。调整学习率为0.001,采用step方法更新学习率,此时模型识别准确率达到96.64%,较原模型提升了1.21%。（3）为了验证改进模型对玉米叶片病害的识别具有良好性能,利用OpenCV增强数据,模拟叶片在不同光照条件和噪声条件下的形态,生成新的测试集。通过实验结果对比,改进模型受极其复杂背景影响下的平均识别准确率损失为4.12%,低于其他模型的损失。可以说明改进模型具有良好的鲁棒性。