近年来,苹果的消耗量巨大,如何提高苹果的产量成为农业专家和果农们重点关注的问题。研究表明,病害是影响苹果产量与质量的主要因素,如何有效识别苹果病害种类并合理预防和治疗成为人们关心的重点问题。我国普遍采用专家人工识别的方法进行苹果树病害识别,但有限的力量难以完成高效的识别任务,与此同时也有农业专家将图像技术应用于病害识别。因此,本文的主要任务为将图像处理技术应用于苹果树病害图像的分类识别问题上来,优化网络模型,提高优化后的网络模型在苹果树病害图像分类识别任务上的性能。主要工作如下。苹果树叶部的病害早期仅占叶片的小部分,集中关注叶片的病害部分将有助于提高网络模型识别病害能力。故将注意力机制引入网络模型结构设计中来,设计出了DCA双通道注意力模块、PAM并联混合注意力模块、SAM串联混合注意力模块三种注意力机制模块。以Res Net50为基础网络架构,嵌入注意力机制模块设计出了DCA＿Res Net50、PAM＿Res Net50、SAM＿Res Net50三种神经网络模型。将三种网络模型应用于苹果树病害图像分类识别任务中分别取得了96.15%、95.73%、96.36%的准确率。相较于Res Net50网络模型的94.89%的准确率,在识别准确率方面有显著的提升,同时AUC指标也显著的提高。充分说明将注意力机制引入网络模型设计中不仅可以有效的提高网络模型对苹果树病害的识别精度,也可以提高网络模型对识别任务的适配性能。针对苹果树病害图像数据集样本量少问题,本文使用迁移学习的思想来优化网络模型训练过程。在迁移学习训练中,采用共享参数的方式将已训练好的Res Net50模型作为预训练模型,将其权重参数迁移至优化后的嵌入注意力机制的网络模型中,按照设定训练策略进行网络模型训练。通过共享参数的方式训练后,DCA＿Res Net50、PAM＿Res Net50、SAM＿Res Net50三种网络模型在苹果树病害图像分类识别任务中分别取得了99.02%、98.95%、98.25%的准确率。充分证明利用迁移学习优化训练的方法,能够进一步提升网络模型对苹果树病害分类任务的准确度并提高网络模型的收敛速度。针对苹果树病害图像数据集类别间样本量不平衡问题,本文提出将焦点损失函数引入模型训练中,加强样本量少的图像类别和难训练样本对损失函数的影响,平衡因类别间样本量不平衡带来的训练误差。在实验中证明通过设定适宜的超参数可以有效的提高模型的识别准确率,充分说明使用焦点损失函数训练的优化网络模型能够有效消除数据集类别间样本量不平衡带来的影响,提高模型的泛化性能。