根据联合国粮农组织（FAO）2008-2017年的统计数据,全世界每年因病虫害引起的粮食减产约占粮食总产量的20-40%,经济损失达1200亿美元。作物病害防治是我国农业部门长期面临的主要技术挑战。早期发现和识别这些病害对于减少农药使用和有效减轻经济损失至关重要。因此快速准确实时地获取作物的具体生长状态信息,以便根据具体作物发病情况及时地变量施药,从而实现病害精准防治。由此可见,研究对作物病害精确实时地诊断对于我国乃至全世界农业经济发展都具有十分重要的战略意义。目前国内外基于图像的作物病害诊断方法,根据对图像中病害特征提取方式的不同,大致可分为两类:基于传统机器学习的方法和基于深度学习的方法。传统机器学习的方法依赖于人工设计的病害特征,通常是根据具体目标对象的病害病理知识设定。深度学习的方法则是通过卷积神经网络从训练数据中自动学习病害特征。虽然已有研究将深度学习方法应用于作物病害图像识别的研究,但受限于训练数据的来源单一,多数研究使用的训练数据图像为实验室背景的图像,这与作物的实际生长环境差异较大,导致训练出的模型泛化性能低,且鲜有研究将其研究成果应用到实际生产中。因此本文首先从研究数据出发,采集了多个来源的番茄病害图像,通过图像处理的方法扩充图像数据,丰富图像的多样性,缩少数据样本量之间差距。其次结合作物病害图像的颜色特征研究了一种融合颜色指数的自适应聚类数的图像分割算法,并对不同来源的番茄病害图像进行了分类识别研究,且开发了Android应用程序,为农作物生产提供可行的番茄病害诊断工具。最后通过分析田间背景图像的特点,研究了利用目标检测算法,实现了对含多张叶片的田间背景病害图像的精确诊断。本文的主要研究内容如下:（1）利用三个不同来源的番茄病害图像建立了数据集。在实验室温室移植接种了番茄花叶病和番茄黄化曲叶病毒病的番茄幼苗,采用白纸背景和田间背景两种方式在全生长周期中拍摄番茄病害图像,形成基础数据集。再从Arkansas Plant Diseases数据库、the American Phytopathological Society（APS）数据库、Bugwood image数据库和一些高校的学术研究素材库中收集番茄病害图像,形成网络数据集。此外还引入了Plant Village数据集中的番茄病害图像。通过直方图均衡,灰度变换,白化,中心化和标准化以及对以上三个不同来源的图像进行多个角度旋转,平移,翻转,镜像、缩放和裁剪等图像处理,使得三个不同来源图像数据得到扩充,消除了病害图像数据集数据样本量不均衡的问题,并丰富图像的多样性。（2）研究了一种融合颜色指数的自适应聚类数作物病害图像分割算法。根据作物图像的作物病害诊断研究中需要对叶片和背景分离的问题,结合多数叶片颜色为绿色的特点,研究了颜色指数分割方法和聚类分割方法两种运算量都较少的方法。利用颜色指数作为输入数据,再通过自适应聚类数的k-means聚类方法聚类,提出了一种融合颜色指数的自适应聚类数作物病害图像分割算法,实现了农作物病害图像的快速准确分割。计算分析了提出的算法与k-means,Ex G-Ex R,Mean Shift和DBSCAN方法的F1和Entropy（E）值,结果相应的F1、E平均值分别为[0.982,0.118]、[0.894,0.317]、[0.947,0.246]、[0.805,0.485]和[0.867,0.396],表明本算法分割结果平均F1值最高、E值最小,因此研究提出的融合颜色指数的自适应聚类数作物病害图像分割算法,能实现对番茄病害图像的准确快速的背景分割,且效果最佳。（3）利用不同来源作物病害图像数据集,研究了作物病害分类识别的方法,解决了单一来源数据训练的卷积神经模型泛化性能不强的问题,提高了实际环境下农作物病害识别的精度和鲁棒性。从网络优化、过拟合问题优化和运算效率优化的角度出发,研究了原始数据多样性的重要作用,使用全局池化,随机失活和批标准化等方法有效提高模型的泛化性能,最终模型的测试准确率可达99.75%。同时还对训练好的模型进行显著图和激活值最大化的可视化,探究模型所学习到的特征是否与作物病害病理知识相吻合。在此基础上开发了Android应用程序,帮助用户田头快速识别作物病害。结果表明,该程序能实现番茄9种叶部病害和健康叶片的高精度快速识别。（4）针对田间复杂背景的作物病害图像的背景复杂、叶片多等特点,研究了基于深度学习的目标检测方法对田间复杂背景作物图像诊断的有效性,提出了一种面向田间复杂背景作物病害图像的诊断方法,以增强对田间复杂背景作物病害图像诊断的鲁棒性。利用含有图像中目标对象位置信息的数据训练目标检测模型,从而实现对含有多叶片的田间复杂背景病害图像中一次诊断,输出图像的每片叶子的诊断结果。试验结果表明,算法在交并比（Io U）大于0.5时平均精确率均值（m AP）为0.662。