在现实世界中大规模的图像数据集往往是呈现为长尾分布的,少部分的头部类别占有大量的样本,而大部分的尾部类别只有少量的样本。目前针对农作物叶部病害识别的研究大多数在类别均衡的平衡数据集基础上进行的,而现实生产中的农作物叶部病害样本分布却大多呈现为长尾分布的状态。卷积神经网络是图像识别领域的关键技术,而数据的长尾分布会使卷积神经网络性能大幅下降。本文针对长尾识别问题和农作物叶部病害识别的特点,主要进行了如下的分析研究工作。（1）本文针对重采样方案会损害模型特征表示能力的问题,在传统的双分支模型基础上进行改进,实现了一种具体更强特征表示能力的双分支融合长尾识别模型。模型设置两个分支网络,其中一个分支为平衡学习分支,使用重采样后的平衡数据作为平衡学习分支的输入。另一个分支为增强学习分支,使用Mixup算法增强后的数据作为增强学习分支的输入。在模型训练过程中两个分支卷积模块的参数是共享的,同时在模型的卷积模块中加入通道注意力机制以提升模型的特征表示能力。本文使用长尾识别领域的基准数据集CIFAR-10和CIFAR-100以及农作物叶部病害数据集Plant Village作为双分支融合模型的实验数据集,实验结果表明,本文提出的双分支融合模型在大部分数据集上都取得了较高的识别准确率,有效的提高了卷积神经网络在长尾数据集下的性能。（2）本文针对农作物叶部病害识别的难点和特点,在Res Net-18基模型的基础上进行改进,实现了一种基于残差网络的农作物叶部病害长尾识别模型。在数据预处理上本文采用了Cut Mix算法对病害数据集进行数据增强,Cut Mix算法在缓解长尾数据对模型性能影响的同时模拟了农作物叶片相互遮挡的场景,提高了模型对复杂背景的农作物叶部病害图像识别的鲁棒性。同时在模型中添加混合注意力机制模块,让模型在训练的过程中更注重对叶部病斑的学习,以提高模型对病害的识别精度。本文采用农作物叶部病害数据集Plant Village作为改进残差网络模型的实验数据,并采用常用的长尾数据构造方法在原始Plant Village数据集上构造农作物叶部病害长尾数据。实验结果表明,改进残差网络模型在农作物叶部病害长尾数据集上有较好的表现,有效提升了对农作物叶部病害长尾数据集尾部类别的识别准确率。