农业的发展对我国的基础经济至关重要,准确快速识别病害是避免损失、提高产量的关键。随着人工智能的发展,深度学习为植物病害的精准快速识别提供了可能,并在实验室环境中取得了较高的识别准确率。但在自然场景下,深度学习模型的部署仍是一个不小的挑战,同时在自然场景中,植物叶片相互遮挡产生的阴影使模型的识别效果有所降低。实现模型在自然场景中的应用,对推动深度学习的技术落地和农业的智能化发展有着重要意义。本文在湖北省技术创新专项重大项目“基于GAP的茶叶生产过程及质量安全智能控制关键技术研究”的支持下,针对项目中构建茶叶质量物联检测在线服务平台的需求,围绕茶叶生产过程中病害的自动识别展开了研究,设计了一个植物病害识别模型。本文的研究包括模型轻量化与去除图像阴影两项任务,主要工作及创新点如下:（1）提出了一种基于轻量化VGG的病害识别模型。目前大部分的神经网络计算量和参数量巨大,难以在自然场景下部署到移动设备或嵌入式设备上。针对该问题,对VGG16模型中的卷积过程进行优化,减少冗余特征图的生成。接着基于聚簇的思想,将卷积核分成若干个簇,每簇中选取一个卷积核参与运算,减少模型的参数量和计算量,并通过消融实验确定最优的剪枝位置和数量。为了弥补剪枝后模型准确率的损失,在训练过程中引入Ranger优化器,使模型更快地达到收敛,提高识别准确率。实验结果表明,本文提出的模型与VGG16相比在计算量和参数量上都有所减少,在PlantVillage数据集上准确率为99.37%,在自然场景下模型的准确率为92.40%,实现了模型准确率与性能的平衡,提升了模型在自然场景中的应用效果。（2）提出了一种无监督的阴影消除方法,进一步提高模型的识别准确率。自然场景下很难拍摄由树木、建筑物等大型物体投射的阴影和无阴影图像,因此无法使用有监督的阴影消除方法。针对该问题,使用生成式对抗网络进行阴影消除,通过循环一致性约束实现了无监督训练。同时为了提高阴影消除效果,保留图像中的病斑区域,在生成器模型中引入DSC模块,从全局语义信息上提取图像的空间上下文特征,可以更精准地检测到阴影区域。实验结果表明,阴影消除后识别模型的准确率得到进一步的提升。