随着精准农业的兴起,病害的精准识别也备受关注,面对精准识别实时性、精确性的高要求,传统的数字图像处理技术存在其局限性,需要人工设计特征,耗费人力物力,且识别作物种类单一,效果不佳。因此,找到高效快捷实时的病害图像识别方法是非常有意义的。深度学习是一种机器学习算法,能自动学习到具有代表性的特征,使其在图像识别等领域能取得较好的效果,本文基于深度学习对农作物病害图像识别技术进行研究,主要完成了以下工作:本文的研究对象是大田环境下采集的小麦白粉病和叶锈病,花生黑斑病和褐斑病,烟草野火病、赤星病及花叶病。共采集5900多张图片,在复杂背景下使用深度卷积神经网络对病害进行识别。在卷积神经网络的基础上,使用了AlexNet、VGG-16和GoogLeNet三种深度卷积神经网络模型,并将其与迁移学习和微调相结合用于三类农作物七种病害的图像识别,分析了不同算法、不同迭代次数的识别效果,通过平均识别精度、各类病害识别率、查全率、召回率及F1值的结果表明,使用VGG-16模型效果较好,病害的平均识别率达到98.92%。说明在农作物的病害识别上使用深度学习是可行的,能识别多种农作物病害,解决人工提取特征的难题;训练时150轮已经收敛,表明使用迁移学习和微调的训练方式在小数据集上能够降低学习时间、减少训练复杂度。