茶叶类病虫识别是衍生于昆虫检测领域的一项技术分支,是农业人工智能领域不可或缺的关键技术。针对传统昆虫检测技术所存在的检测流程复杂、算法普适性弱等问题,本文着力于研究基于深度学习的昆虫检测技术,其对茶叶类病虫识别具有传统方法所不具备的快速性、准确性、实时性。本文通过改进YOLOv3目标检测模型的特征提取与模型训练技巧等方式,训练出具有广泛适用性、检测精度高的目标检测模型。本文具体工作内容如下:（1）本文在对各种茶叶类病虫进行调研后,搭建拍摄平台,以实景拍摄与互联网检索两种方式收集了12类茶叶类病虫图片,并对病虫图片进行多种数据增强操作后,使用Label Img软件进行人工标注,最终得到划分完整且适用于目标检测训练的茶叶类病虫数据集,其中共包括茶叶类病虫图片3276张。（2）在对深度学习框架、卷积神经网络以及目标检测模型进行研究以及优缺点比对后,搭建了适用于本研究的目标检测实验平台,随后以自制茶叶类病虫数据集在这些检测模型上的m AP为评价基准,通过实验对比择优后推选出YOLOv3作为本研究的目标检测基础模型。在分析本研究需求与YOLOv3模型缺陷之后,本文从丰富特征提取信息、轻量化学习网络与改善样本不平衡问题等方向对目标检测模型进行改进:一是引入GCNet注意力模块,以使网络能更好提取输入图片特征信息,同时缩减网络参数量,缩短网络训练时间;二是通过研究目标检测模型的特征金字塔构建方式,结合自适应特征融合算法,创新出自定义特征融合模块来加强三个特征输出层之间的特征融合。（3）分别从算法基本概念、运算流程、具体操作方式以及技巧优缺点等方面对本文所用的几种目标检测模型训练技巧展开介绍,同时为测试这些训练技巧对模型训练时长、模型大小以及模型检测精度的效果提升,补充了基于整合数据集的一系列对比实验。通过改进模型在三个数据集上的实验结果与几大目标检测模型的对比实验结果分析可知,本文所提出的改进模型相比原模型m AP,在各个数据集上分别提高了3.24%、3.98%、6.16%,同时证实了本文所提模型改进方法与模型训练技巧对目标检测模型的精度与训练速度均有巨大提升,也证实了该模型具有更好的适用性与应用研究价值。