玉米的生产周期短、产量高,它具有抗旱性强、耐寒性强、环境适应性好等特点,因此被广泛种植。我国是世界上种植和收获玉米面积最大的国家,但近几年玉米病虫害日益加重,并且病虫害种类繁多,这造成玉米产量骤减,经济损失巨大。因此,及时识别发现并解决玉米病虫害问题至关重要。玉米叶片病虫害识别在早期更多是依赖于人工的主观判断,但受到个人主观因素的影响,容易出现错误判断和检查遗漏等问题,无法保证统一的识别精度,此外人工检查也会出现检查不及时,错过最佳治理时机的问题。文章以实地拍摄的玉米叶片病虫害图像为研究对象,利用基于深度学习的目标检测技术,设计了玉米叶片病虫害的自动检测模型,实现了玉米叶片病虫害自动识别系统。研究工作如下:首先,构建玉米叶片病虫害数据集。采集方式为通过大田实地拍摄和kaggle平台获取的开源数据,图像一共涵盖了六种最普遍的玉米叶片病虫害,分别是:玉米大斑病、玉米小斑病、玉米灰斑病、玉米锈病、草地贪夜蛾卵和草地贪夜蛾幼虫。通过对所得到的玉米叶片病虫害图像进行归一化处理,人工标注,数据增强并将其整理归纳构建成本文所需的玉米叶片病虫害图像数据集,供后续实验阶段使用。其次,以YOLOv5s为基础模型,对该模型进行以下改进:（1）利用Kmeans++代替K-means提取先验框;（2）改进了C3模块;（3）对backbone部分进行了上下文特征融合,进一步来检测玉米叶片病虫害。通过与其他检测模型进行性能对比,证明了以上改进均能提高模型的性能,能够对玉米叶片病虫害图像信息进行有效检测。最后,设计并实现了一个基于改进YOLOv5s的玉米叶片病虫害识别系统。该系统功能完备、简单易用且检测精确,能够有效识别玉米叶部病虫害,并且能够提供较好的用户体验,操作便捷,有助于农业领域中病虫害的识别和治理。