农作物病害是导致作物减产的主要原因之一,直接影响着农业经济的发展,所以对农作物病害进行准确高效的防治至关重要。传统病害识别方法主要依靠人工的经验进行判断,这种方法主观性较强,容易产生误诊、延误治理最佳时期等问题。随着计算机视觉技术的飞速发展,传统机器学习和深度学习技术渐渐应用于作物病害识别领域。然而,传统机器学习方法依赖人工手动提取特征,同样存在依赖主观经验的问题。相较于人工选取特征,深度学习可以自动从样本数据中学习特征,避免了一定程度的主观性,卷积神经网络是深度学习中的一种算法,可以实现更高的识别准确率。基于此,本文以农作物病害为研究对象,研究基于卷积神经网络的多种作物病害识别方法,提出多尺度残差网络MSA-ResNet和轻量化残差网络LMSA-ResNet两种模型。主要内容如下:（1）基于多尺度残差网络MSA-ResNet的农作物病害识别。农作物病害病斑症状多样,处于叶片中的位置各有不同,针对卷积神经网络中单一尺度卷积核提取特征能力较弱的问题,提出了基于多尺度残差网络MSA-ResNet的农作物病害识别方法,采用多尺度卷积提取病害的多尺度特征,引入卷积块注意力模块使网络模型更加关注于病害的细节有效特征和叶片病害的位置信息,共同构成多尺度注意力残差块,构建MSA-ResNet模型。在AI Challenger 2018数据集上实验表明,相比于VGG16、ResNet50、Inception V3等网络模型,MSA-ResNet识别准确率更高,达到89.64%,性能较优。（2）基于轻量化残差网络LMSA-ResNet的农作物病害识别。采用具有实际场景下的农作物病害数据集,该数据集样本大多背景较为复杂且样本数量较少,使用数据增强方法和模型迁移学习策略有效缓解样本量较少的问题。针对目前网络模型参数量大的问题,在MSA-ResNet的基础上对多尺度注意力残差块进行轻量化改进,提出卷积分解和无参注意力模块相结合的方法。首先将多尺度残差块中的大尺寸卷积核通过小尺寸卷积核的堆叠代替,部分标准卷积替换为深度可分离卷积,其次在网络深层中,将卷积层的对称结构改进为非对称结构,一方面减少了参数量,另一方面加深了网络深度,提高了模型的非线性表达能力,最后引入无参注意力模块,解决卷积块注意力模块带来的参数量增加的问题,提高网络的识别性能。在Plant Doc数据集上实验表明,本文提出的LMSAResNet相比于Mobile Net V2等模型,识别准确率较高,达到64.86%,参数量有效降低,仅为6.22M,模型占用内存相对较小,大小为24.6MB,对单张图像识别速度最快,为0.745s,综合表现性能相对较优,适用于实际环境下的农作物病害识别应用,具有一定的实用价值。