苹果产业是陕西省农产品经济发展的重要组成部分。但是,苹果的生长过程中受到各种病害的影响,及时准确地检测苹果叶片病害可以预防疾病的蔓延,确保苹果产业的健康发展。然而,由于病斑尺寸不一,位置信息薄弱等问题,现有算法不能实现对苹果叶片病害的准确检测。同时,由于病害采集困难,新类样本数量难以满足传统目标检测算法的训练需求。针对以上问题,本文以陕西省常见的九种苹果叶片病害作为研究对象,提出了基于SSD（Single Shot Multi Box Detector）网络的苹果叶片病害检测方法,具体的研究贡献如下:（1）提出了一种基于多尺度特征融合的苹果叶片病害检测方法。针对苹果叶片病害区域尺寸不一,传统算法无法有效适应多尺度检测任务的问题,本文通过特征融合技术优化了模型对多尺度病斑的特征提取能力,提出一种基于V空间和多尺度特征融合SSD算法（VMF-SSD）。首先,建立多尺度特征提取器,用于融合不同尺度的特征,进一步提高苹果叶片病害的检测性能（特别是小病斑）。然后,设计了V-空间辅助定位分支,增强用于定位病斑的纹理特征信息。最后,构建多尺度注意力机制模块,自动学习不同尺度的特征通道的重要性来区分不同大小的病斑。实验结果表明,VMF-SSD算法在其测试集上取得了83.42%mAP,并获得了27.53 FPS的检测速度,该算法能够同时兼顾精度和速度。与现有算法相比,所提出的苹果叶片病害检测方法在苹果叶片病害检测任务上可以取得较好的性能,满足农业生产实际应用的要求。（2）提出了一种小样本条件下的苹果叶片病害检测方法。针对苹果叶片新病害样本数量较少,无法保证传统目标检测算法有效收敛的问题,本文通过重构损失函数优化了模型对小样本的特征学习能力,在VMF-SSD的基础上提出一种基于先验框对比嵌入损失和IoU-CE损失的SSD算法（CI-SSD）。首先,该算法引入VMF-SSD的权重参数增强特征增强网络的表征能力。其次,构建先验框解耦模块生成更稳健的潜在特征表示,并建模对比嵌入损失函数约束不同类别的先验框之间的相似性,从而减小误分类带来的精度损失。最后,分析样本与IoU的分布特征,构建基于IoU和Softmax共同作用的分类损失函数,增强正样本在分类器中损失权重,提升检测准确率。实验结果表明,基于10 shots微调的CI-SSD算法在新类和基类的准确率分别为70.53%mAP和40.92%mAP。与现有算法相比,所提出的小样本病害检测方法在新类病害上具有较强的泛化能力,为苹果叶片新病害实时检测提供了新途径,探索了新方法。