病虫害是病害和虫害的并称,严重影响到了红树林生态环境的稳定。为了实现提前干预和对症防治,需要对病虫害进行早期快速准确地定位和识别。随着人工智能技术的进步和发展,基于深度神经网络（Deep Nerual Networks,DNNs）的病虫害图像识别技术被广泛应用于植保、农业、昆虫学和环境科学等领域。本课题在广西自治区科技厅重大专项的支持下,以广西防城港和北海红树林湿地保护区为应用场景,针对红树林病虫害图像数据稀缺、背景复杂和长尾分布等问题,开展红树林病虫害图像数据集构建、数据增强、目标定位和长尾分布型数据分类等研究,本课题具有较重要的学术价值和工程意义。课题的具体研究内容如下:（1）针对红树林病虫害图像数据较稀缺,且相关开源数据集较少的问题,本文采集并构建了一个红树林病虫害图像数据集MIPDGC（Mangrove Insect and Pests Dataset in Guangxi of China）。该数据集包括120种广西红树林地区常见害虫和植物病害类型,共计8万余张图像数据,该数据集具有多种不同的害虫发育形态、病变类型、寄主植被和自然背景,且具有自然长尾型极度不平衡分布的特点。为了验证所构建数据集的有效性,本文在MIPDGC的基础上进行了基线实验,实验结果表明该数据集可以用于实现广西红树林地区病虫害图像的检测、识别以及细粒度视觉和非平衡分类等领域的研究。另外,为了提高数据多样性和模型泛化能力,降低数据不平衡度,本文构建了一种基于Pest-Rest Pool的数据增强方法,用于增强害虫图像的背景多样性和前景多样性。通过验证实验证明,本文提出的数据增强方法能够有效提升病虫害图像识别的准确率。（2）针对红树林病虫害图像背景复杂而导致定位困难的问题,本文提出了一种基于多尺度U-Net的红树林害虫显著性检测方法。首先,为了减少红树林害虫图像多尺度目标漏检现象,该方法引入基于空洞卷积的多尺度上下文聚合模块,使得感受野范围更大。其次,为了提升红树林害虫边缘的提取效果,该方法引入了多尺度金字塔池化注意力模块,使得特征尺度多样化并有选择地融合不同层级的特征。实验结果表明该方法能够较好地提取多尺度害虫目标并具有较清晰的边缘。针对该方法数据标注成本高的问题,本文提出了另一种基于局部最大池化的红树林害虫弱监督目标定位方法。首先,该方法仅使用低成本的图像级数据标签,利用弱监督学习的方法进行目标定位。其次,为了缓解多目标和小目标害虫漏检现象,该方法利用局部最大池化操作优化了权重初始化过程,实验结果表明该方法仅使用图像级的标签就能够较好地定位害虫目标位置。（3）针对红树林病虫害图像数据集的非平衡长尾分布问题,本文提出了一种基于动态特征加权的长尾型病虫害图像识别方法。首先,为了滤除自然背景干扰、加速网络收敛,该方法引用了（2）中的弱监督目标定位方法,将其作为预处理模块来实现红树林害虫定位。其次,为了克服MIPDGC数据集的长尾效应,本研究通过距离损失训练特征提取网络,使得特征空间中类内距减小和类间距增大。而后,为了弥补由于小样本类别特征空间缺失造成的过拟合现象,本研究利用均值法进行类心特征向量提取并存储记忆。最后,为了实现头尾类别之间的记忆增强,本研究利用动态特征加权模块的抽取、融合和增强策略来丰富尾部小样本类别的特征空间。实验结果表明该方法改善了红树林病虫害数据尾部类别的识别准确率,提升了模型对红树林稀有类别病虫害图像的分类识别能力。