玉米作为我国三大作物之一,产量关乎着人民的温饱。近些年由于玉米病害愈发加重,对作物造成不可逆转的影响,严重影响了国家的粮食安全。玉米病害种类繁多,部分病斑相似难以区分。以往基于深度学习的玉米病害识别仅对病害类型进行分类,实用性并不高。本文通过引入实例分割技术,提出了基于SOLO的玉米叶片病害实例分割,实现了对病斑的定位和检测以及对病斑轮廓的精确分割,针对单张图片上存在不同病害类型的叶片,本文方法能够准确区分不同的实例,对提高玉米作物产量、推动我国农作物病害识别精准化发展具有重要意义。主要完成的工作和研究内容如下:（1）构建了玉米叶片病害数据集。针对缺乏玉米叶片病害公开数据集的问题,本文以种植基地复杂环境下采集到的玉米小斑病、大斑病、锈病三种常见玉米病害图像为研究对象,并对采集到的图像采用几何旋转、增强亮度、添加噪声的方法扩充数据集,按照COCO数据集的格式以8:2的比例把数据集划分成训练集和测试集,选取Labelme软件对玉米叶片图像的病斑进行标注,构建了自制的玉米叶片病害数据集。（2）提出了基于SOLO的玉米叶片病害实例分割方法。本文通过玉米病害数据集对Mask R-CNN、SOLO、YOLACT三种实例分割模型进行训练,经对比发现,SOLO模型训练过程更加稳定,且具有更好的分割效果。为进一步提高SOLO模型的分割精度和鲁棒性,在其主干网络Res Net50上添加FPN特征金字塔网络,并在主干网络尾部嵌入了ECA注意力机制分支,增强对玉米叶片病斑特征的提取能力。实验结果表明,改进后的SOLO模型平均分割精度为43.8%,当Io U值为0.5时,分割精度最高,达到了85.3%,相比于原始的SOLO模型提高了3.3%。从分割结果图和loss曲线的对比发现,改进后的模型对目标的拟合度更高,病斑的分割效果更佳,模型更为稳定,改进具有一定的可行性。（3）开发了一款玉米病害识别APP。以本文提出的改进SOLO的玉米叶片病害实例分割模型为核心,将训练好的SOLO模型部署到Flask轻量型应用框架上,采用前后端分离的软件开发方式,用户通过上传玉米病害图片以获取病害类型以及病斑的分割结果。经测试,该APP能对玉米病害进行有效识别,为农业精准化和智能化的发展提供重要支撑。