为了能够对农田中发生的病虫害进行实时高效的监测,有一个关键的技术需要突破,那就是要实现农田害虫图像的自动检测识别。关于农田害虫的检测方法有很多种,本课题的研究是在深度学习的基础上,使用一些目标检测技术对农田害虫进行检测识别,卷积神经网络在特征学习能力方面表现优异,能很好的提取关于农田害虫有关的图像信息,以此来提高检测模型的效果和性能。本文用来进行研究的样本主要是一些农田中常见的害虫,探讨了农田害虫数据集的制作,设计了农田害虫的检测模型,并且针对设计的模型做了一系列优化工作,本论文也是通过这三个内容研究的顺序来展开。首先通过理论方面的分析进行研究,同时结合了一些实验来进行验证。主要的工作和研究成果如下:(1)通过网络搜索整理了10种农田害虫图像,共2472个样本,并作了标注。采用对原始图像进行旋转平移等基本操作和添加噪声的方法对收集的样本集进行了扩充,图像数量达到了12474,完成农田害虫数据集制作。制作的数据集可被用于和农田害虫检测相关的研究领域中。(2)针对农田害虫检测识别这一具体任务的研究特性,从理论分析选择Faster R-CNN作为本文研究的目标检测算法,并且为了获得更好的检测精度和速度,将Faster R-CNN的基础特征提取网络改为了更为高效的DenseNet网络,以此来设计农田害虫检测模型。在后续的农田害虫检测实验中,验证了模型的检测效果,并获得了90.78%的准确率。(3)在分析和总结了Faster R-CNN(DenseNet)模型的缺陷后,对此模型进行了优化工作。在数据集方面,对一开始整理的农田害虫数据集再次进行了扩充工作,最后的样本容量总共达到了24948;在目标检测算法方面,选用了优化的RefineDet算法,并且提出了新的ARM网络架构,同时结合新构建的锚点框方案来进行农田害虫检测模型的设计。通过对比实验分别验证了这两点优化方案在农田害虫检测上均取得了一定的识别精度提升效果,达到了92.78%的识别率。(4)对本课题研究使用的随机梯度下降算法进行了优化,形成了一种能够自适应学习率下降的训练算法。这种算法能够检测到在当前的学习率下网络的训练是否到了饱和状态,如果是就会自动的降低学习率再继续完成训练。并且对优化的算法通过实验进行了验证,它提升了训练的效率,在训练时不必一直通过调整步长来使学习率下降,而且最终的识别率也得到了提高。最后,将优化的自适应学习率下降算法应用于农田害虫检测模型的训练中,最终优化后的RefineDet(DenseNet-121)农田害虫检测模型在实验中达到了93.83%准确率。