在农业生产中,植物病害是影响农作物最终产量和品质的一个关键因素,因此及时准确地检测出作物的病害情况,在农业领域意义重大。以往对于农田作物病害的检测十分依赖专业的植保人才,近年来,通过无人机进行数据的快速采集,之后再利用深度学习、数字图像处理等技术对图像进行病害识别的方案得到了越来越多的关注。本文针对在使用图像实例分割模型进行叶片级别的病害识别时需要进行大量标注的问题,提出了一种先通过叶片边缘将密集叶片图像分割为单张叶片,再进行叶片病害分类的方法,以此来完成密集叶片图像的病害识别问题。本文主要从下面三个方面进行研究:（1）为得到清晰准确的叶片边缘,在对无人机采集的密集叶片图像进行分析后,提出了一种基于改进U-Net的边缘检测模型,该模型与U-Net网络相比更关注图像的层次信息,并且模型参数量更少,通过实验发现改进后的模型在对密集叶片图像进行边缘检测时表现良好。（2）为利用边缘检测的结果生成具有纯净背景的叶片图像,使用Suzuki轮廓跟踪算法得到封闭轮廓的坐标和轮廓间的关系,之后利用泛洪填充、图像取反以及掩码处理等传统图像处理技术排除掉干扰轮廓,最终得到具有纯净背景的叶片图像。该方法过程清晰明确有较强的实用性,对于今后开展相关研究有一定的借鉴意义。（3）为使叶片病害分类的研究更具实用价值,使用了迁移学习的相关技术,在自建数据集上讨论了不同的模型、不同的参数迁移方式对于预测准确率的影响,最后对于病害分类这一问题给出了参数迁移的使用建议。