准确及时的虫情检测是农林业虫情监控的关键技术。传统虫害检测主要依靠人工方式对害虫识别和计数,这种方式费力耗时且易出错,难以满足实际应用需求。近年来,国内外研究者在害虫检测方法上进行了大量研究,其中,基于深度学习的图像处理方法在模型精度和泛化能力上都大幅超越了传统机器视觉方法,在害虫图像检测问题中表现出较强的鲁棒性,但依然存在以下问题:对于复杂自然背景环境下形态各异、密集堆叠且自身颜色与背景相似的害虫检测精度有待提升;模型复杂度高、参数量大、计算开销大,导致在终端设备上难以部署或者部署之后的检测实时性差。本研究旨在提高昆虫检测算法的检测精度与检测速度,并结合模型压缩技术使得检测模型更加轻量化。本文在YOLOv5s算法上进行改进,主要工作内容如下:（1）针对自然环境下密集堆叠的小目标昆虫误检、漏检的问题,提出一种改进的YOLOv5s昆虫检测模型。首先在主干网络部分嵌入通道注意力机制,提升算法对小目标害虫的特征提取能力;然后在PANet部分引入自适应空间特征融合结构ASFF,利用动态权重参数为不同尺度的特征图赋予不同的权重,过滤掉害虫所处复杂环境等其他层次的特征;最后改变损失函数及非极大值抑制策略,提升边界框定位的速度和置信度。将改进的昆虫检测算法与其他主流目标检测算法对比,实验结果表明改进后算法在本研究的昆虫数据集上检测效果最好,平均精度均值m AP可达97.8%,单张图片的平均检测时间为13.66ms,在保证检测速度的同时检测精度得到大幅提升。（2）针对改进后的YOLOv5s昆虫检测模型仍然存在较大参数冗余的问题,提出一种基于通道剪枝的模型压缩轻量化方法。首先对网络的BN层进行LI正则化稀疏训练,趋势缩放因子趋向于0,增加网络通道的稀疏性;然后在通道剪枝的基础上引入最小二乘法来重构卷积层前后的输出误差,令输出误差最小,求解剪枝阈值并一次性完成剪枝;最后对网络进行微调实验,恢复算法因网络通道剪枝暂时损失的精度。实验结果表明,模型占用内存体积约缩小为原来的二分之一,参数量压缩到原来的60.3%,FLOPs降低了36.8%,推理速度提升了6.07ms,在不损失原有精度的情况下,大幅减少了网络的计算量及模型空间,加快了网络推理速度。本研究所有实验均在公开可用的昆虫图像数据集上进行,实验结果表明,本文提出的复杂自然背景环境下昆虫轻量级检测模型,实现了对检测精度与检测速度良好的平衡与提升,为昆虫检测模型的落地部署提供了有效的解决方案。