农作物病害识别是当今农业发展过程中面临的最主要的挑战之一。对农作物病害严重度进行迅速准确的识别是制定防治方案的重要依据,能够减少大量的经济损失和减小对环境的污染。棉花是世界上最重要的农作物之一。棉花是纺织和许多化工产品的基本原料,同时棉花也是重要的战略物资。因而必须提高棉花产能,以促进国民经济发展。然而影响棉花生长的病虫害众多,而棉花蚜虫就是其中危害较大的一种。因此要及时防控,防止病虫害的进一步蔓延。对棉花蚜虫严重度进行分级,有利于对棉花蚜虫的精准防治。针对自然环境下拍摄的棉花蚜虫图像存在背景复杂、光照条件不同、不同等级之间难以区分等问题,现有的卷积神经网络对自然场景图像中的棉花蚜虫等级分类的精度不高。本文针对棉花蚜虫病害严重度进行了研究,主要研究内容如下:（1）为了能够更好地根据病害严重度来对棉花蚜虫病害采取相应的防治措施,提出了CADNet分类网络。首先对自然场景中的棉花蚜虫病害图像按照严重度划分等级。再对所选取的图像进行预处理,其中包括边缘填充、重采样等部分。并提出了一种改进的Dense Net分类网络,CADNet,用于自然场景图像中棉花蚜虫的严重度分级。CADNet网络继承了Dense Net设计的优点并应用了一种新颖的位置注意力模块CA（coordinate attention）,从输入图像中提取高质量的特征。注意力机制的引入,能够帮助卷积神经网络获取更多有益信息。该注意力机制沿着特征图的高和宽两个方向聚合特征的1D特征编码,实现了精准定位感兴趣区域的能力。实验结果表明,CADNet网络对自然场景图像中棉花蚜虫的严重度分类精度优于现有的Res Net50、Shuffle Net、Ghost、Mobile Netv3、Dense Net的一系列网络的分类精度。本文所提网络的分类精度达到95.1%,F1-score达到0.951,所设计的模型对自然场景中棉花蚜虫病害图像严重度分级具有良好的性能。（2）为了继续提高棉花蚜虫病害严重度分级的准确率,减小网络的参数大小,提出了LCADNet分类网络。首先对图像采用对比度受限的自适应直方图均衡化（CLAHE）和自适应对比度增强（ACE）处理。再对所提出的CADNet继续进行改进。减少CAD Block中CA＿Conv的个数,提出LCADNet网络架构。实验结果表明,LCADNet网络对自然场景图像中棉花蚜虫的严重度分类的准确率达到了99.9%,F1-sore达到0.999,精度较Dense Net＿BC＿100网络提升了11.8%,较CADNet提升了4.8%。并且LCADNet仅有0.18M参数量,小于Mobinenet、Ghost Net等轻量级卷积神经网络模型。所设计的模型可用于对自然场景图像中的棉花蚜虫进行高精度的自动分级。（3）为了快速准确的识别棉花蚜虫叶片病害严重度等级,开发了一款基于深度学习的棉花蚜虫叶片病害严重度自动分级系统。该系统是基于pytorch Mobile库加载本文训练好的模型开发的一款安卓应用系统,包含了棉花蚜虫病害相关防治知识、对棉花蚜虫病害实时检测和对手机内部存储的棉花蚜虫病害图像进行严重度分级等功能。且该手机APP优点有操作简单、界面清晰和识别图像严重度等级快速准确。