葡萄是世界范围内广泛种植的一种经济水果,病害是影响其产量的重要因素。黑腐病是一种会导致葡萄减产的真菌病害,发病时在葡萄叶片和果实等部位表现出黑色病斑,这种疾病主要盛行于较为潮湿的春天和初夏季节且影响地区较为广泛。目前,针对此类病害的识别和受害程度分级主要依靠人工判别,这种方法容易收到判断者的主观因素影响。利用计算机和图像处理技术进行葡萄叶片黑腐病识别和病斑分割,有利于快速准确的评估受害程度以便进行针对性的治疗,对保证葡萄产量和种植者的收入具有重要的意义。因此,本文以葡萄叶片黑腐病病害图像为研究对象,重点研究基于深度学习的葡萄叶片黑腐病识别方法以及病斑图像分割方法。论文的主要研究内容如下:（1）提出了一种基于超分辨率图像增强和YOLO v3的葡萄叶片黑腐病识别方法。首先,利用双线性插值法将原始图像进行上采样并增强局部细节,提高图像的像素数量。然后,将增强后的图像输入到改进的YOLO v3-SPP网络中进行检测,该网络将原始 YOLO v3 网络中的 IoU（Intersection over Union,IoU）替换为 GIoU（Generalized Intersection over Union,GIoU）,并加入了 SPP 模块（Spatial Pyramid Pooling,SPP）以提高网络的识别性能。最后,采用YOLO v3官方的预训练权重对训练模型进行快速收敛。室内环境下的病害识别结果表明,YOLO v3-SPP网络的识别精准率（Precision）达到95.79%,召回率（Recall）达到94.52%,相比原始YOLO v3网络,Precision值提高了 5.94%,Recall值提高了 10.67%。室外环境下的病害识别结果表明,本文提出的方法可以应用于野外环境,Precision值为86.69%,Recall值为82.27%;如果图像的背景比较简单,则室外环境下的Precision和Recall分别可以提高到94.05%和93.26%。（2）提出了一种融合注意力机制和DeepLab v3+的葡萄叶片黑腐病分割方法。其中,利用ResNet101网络作为DeepLab v3+的骨干网络,并在其残差模块中插入通道注意力模块。此外,在Deeplab v3+的编码端中增加了一路基于特征金字塔网络（Feature Pyramid Networks,FPN）的特征融合分支用于融合不同层级的特征图。室内环境下的测试结果表明,改进后的DeepLab v3+在平均交并比（Mean Intersection over Union,MIoU）、Recall和F1-score三项评估指标上分别达到了 84.8%、88.1%和91.8%,比改进前的DeepLab v3+分别提高3.0%、2.3%和1.7%。在室外环境下的试验数据中,改进后DeepLab v3+的MIoU、Recall和Fl-score分别比改进前提高了 3.3%、2.5%和 1.9%。（3）开发了葡萄叶片黑腐病病害程度分级软件程序。以改进后的DeepLab v3+深度学习模型为基础,利用Python语言编写了 GUI人机交互软件。此外,对该软件的性能进行了测试,测试结果表明该软件可以正确的完成葡萄叶片黑腐病的识别和受害程度分级;同时,该软件还具有很好的泛化性,可以用于其它感染了黑腐病叶片的识别与受害等级评估。