番茄作为我国一种具有悠久历史的传统农作物,不仅成为人们日常饮食中的重要部分,而且在我国农业战略资源中发挥着不可替代的作用,然而随着番茄叶片病害逐年加重,严重制约了番茄产业的蓬勃发展。人工识别番茄叶片病害需要大量的经验和时间,且对识别人员能力要求较高。随着图像处理、机器学习、深度学习等知识技术的兴起,对农作物叶片病害实施自动检测变成现实。本文基于深度学习理论,利用卷积神经网络对Plant Village中的10种番茄叶片图像进行分类识别,其中包括9种叶片病害和1种健康叶片。具体的研究内容如下:为了实现对番茄叶片病害进行自动化识别,使用不同卷积神经网络在番茄叶片病害图像数据集上进行训练。实验结果表明,利用卷积神经网络模型对图像数据的处理操作简单,且可以获得较高的叶片病害识别准确率。为了解决现有番茄叶片病害识别方法较少且识别准确率还有待提高的问题,提出了一种基于多特征融合和混合注意力的番茄叶片病害识别网络模型Inception-Leaky Re LUCBAM-ResNeXt50（IL-CBAM-ResNeXt50）。通过改进传统残差网络Res Net50的残差结构,以适应不同番茄叶片病害病斑的大小,提取更多的疾病细节,同时使用Leaky Re LU激活函数解决Re LU激活函数在负半轴的神经元死亡现象,再添加注意力机制CBAM模块,使得网络能够更加关注番茄叶片图像中的病害部分,增强有价值的特征通道,抑制无用的特征通道,从而提高模型对番茄叶片病害的识别准确率。为了解决卷积神经网络模型体积较大,不便在移动终端上部署对番茄叶片病害进行实时识别的问题,提出了一种基于轻量级残差网络的番茄叶片病害识别网络模型Leaky Re LU-CBAM-ghost-Res Net34（L-CBAM-ghost-Res Net34）。将传统残差网络Res Net34与ghost模块相结合,利用ghost模块中的卷积运算和线性运算,压缩网络模型的体积,再通过替换Re LU激活函数和添加注意力机制CBAM模块的方法,在增加了极少的参数量、计算量以及模型体积的情况下,提升模型的准确率。综合实验结果来看,本文提出的IL-CBAM-ResNeXt50模型番茄叶片病害识别准确率达到99.4%,相较于传统残差网络Res Net50,准确率提高了0.9%,具有更好的番茄叶片病害识别性能,同时提出的L-CBAM-ghost-Res Net34模型番茄叶片病害识别准确率达到98.8%,模型体积大小只有2.84MB,相较于传统残差网络Res Net34,准确率提高了0.5%,模型参数量减少了96%,模型体积大小减少了96%,浮点运算次数减少了86%,有利于模型在移动终端上的部署。