茶叶行业作为我国重要的农产品产业之一,确保我国茶叶产业的良好发展,对于增加种植户收入,加快当地经济发展实现乡村振兴等有重要意义。然而通常在环境因素的影响下,茶叶在其生长过程中往往会受到病害的侵袭,使茶叶整体的产量和质量有所下降。对茶叶病害类别进行准确及时的划分,有助于及时地进行茶叶精准防治,从而减少农药的使用和残留,响应农作物绿色防治政策。针对茶叶病害图像的特点,本文通过多特征融合的方法得到茶叶病害图像的特征表达,利用多尺度的思想加强病斑信息的提取,实现对茶叶病害图像的分类。并在此基础上引入多尺度通道注意力以丰富特征信息,从而进一步提高茶叶病害图像分类的性能。具体研究内容如下:（1）构建了茶叶病害数据集Tea D-5。在安徽地区茶园中使用无人机和单反相机进行茶叶病害图像的采集,并依据专家知识对茶叶病害图像类别进行标注,再对茶叶病害图像进行随机擦除等数据增广。构建的数据集包括健康叶片、茶白星病、茶饼病、茶黑霉病和茶炭疽病5个类别,共339张图像。（2）给出一种基于多尺度双模态茶叶病害特征融合的小样本分类算法。首先通过嵌入模块提取茶叶病害的梯度直方图特征和卷积特征,其中针对卷积深层特征具有更好语义信息和卷积浅层特征具有更好空间信息的特点,将此两种特征进行融合得到具有更多信息的茶叶病害卷积特征。同时基于梯度直方图特征获得叶片的边缘信息。对融合后的卷积特征和梯度直方图特征再次进行融合获得最终的茶叶病害特征图。然后通过不同尺度的三通道卷积提取不同感受野的特征。依据关系模块计算得分,实现茶叶病害分类。实验结果表明,本文算法在公共数据集和Tea D-5数据集上取得较好结果。（3）给出一种基于多尺度通道注意力茶叶病害分类算法。首先通过所提出的多尺度注意力模块提取茶叶病害叶片的显著性特征,从而得到叶片显著性图像。并将显著性图像与原始图像进行多通道拼接,通过特征提取模块得到叶片的局部特征和全局特征;其次采用自注意力-多通道关系模块提高病害特征表达能力,计算关系得分,实现叶片病害的分类。其中,采用可分离卷积代替卷积层,以减少模型的总体参数量。实验结果表明,本文算法在公共数据集和Tea D-5数据集上取得较好结果,提升算法效率。