在我国,苹果是一种很常见的经济作物,在全国已有600多万公顷的种植面积。在苹果生产中,病害严重地影响了苹果的产量和质量。若能及早发现和鉴别病害,并采取相应的防治措施,就可以在一定程度上降低苹果的减产。本文以提高苹果叶病虫害识别准确率和效率为目标,以自然环境下生长的苹果叶图像为研究对象,提出了一种能够提升分类精度的新模型I-VGG16。首先,研究四个经典的卷积神经网络在苹果叶图像上的分类性能,并选出其中精度最高的神经网络模型。紧接着,I-VGG16以该模型为基础模型,结合小波变换的先验知识,设计了新的网络结构,使得噪声对苹果叶分类的影响得到了抑制。最后,本文进行了详尽的苹果叶常见叶面型病虫害的识别分类研究。论文主要研究结论如下:（1）将卷积神经网络用于苹果叶片图像分类进行比较研究。首先采用预先在Image Net数据集中训练好的卷积神经网络模型VGG16、Inception V3、Res Net50和Dense Net121模型分别对苹果叶图像数据集进行迁移训练和测试,结果表明,VGG16模型无论是在准确度上还是在处理速度上都更具有优势。（2）研究了采用小波和VGG16模型相结合的图像分类方法,对苹果叶图像进行了分类。由于卷积神经网络具有弱噪声鲁棒性,因此图像中的大部分噪声都为高频成分。为克服噪声在图像分类中的干扰,采用离散小波方法对卷积神经网络进行改进,以取代最大池化、卷积和平均池化。最后设计出新的模型I-VGG16模型,用此模型在苹果叶数据集上进行训练,实验结果表明I-VGG16模型能较好地处理苹果叶图像分类任务,能够提高苹果叶分类的精度。