近年来,中国葡萄酒酿酒产业稳步发展,葡萄种植产业规模逐渐增大,在葡萄生长过程中,病害成为制约其高产、优质、高效益的重要因素之一。酿酒葡萄大规模、高密度和集群化种植模式给传染性病害的防治带来极大挑战。传统的对农作物病害检测和识别,大都是通过有经验的专家在田间现场进行识别和分析,这种人工蹲守的方式周期长,浪费时间和人力,且效率低。采用基于深度学习的病害快速准确识别,对于病害的有效防治具有十分重要的意义。本文对自然条件下葡萄叶片病害动态监测进行研究,为了提高自然成像条件下的酿酒葡萄图像中病害识别的可靠性,对时序叶片图像作连续病害检测并检测病斑变化情况。本文的方法可以排除一些虚假病害,病害监测的可靠性有所提高,可适用于自然条件下葡萄叶片病害的连续在线监测。在时序叶片图像检测跟踪方面,利用Faster R-CNN算法对每天摄像机视场中葡萄叶片进行检测,检测到的叶片采用改进卡尔曼滤波法进行跟踪,以获得叶片正面图像。为了实现多叶片跟踪和解决由遮挡而造成的跟踪失败问题,本文在卡尔曼滤波和匈牙利算法基础上,提出来一种新跟踪方法,该方法结合运动测度和深度外观信息对跟踪目标进行匹配,运动匹配时采用马氏距离,外观匹配方面采用最小余弦距离。将每天跟踪定位到的姿态较正的叶片图像做SIFT匹配,找到同一叶片一组生长序列图像,并在序列图像中通过深度学习技术进行病害识别。最后,通过监测叶片序列图像上病斑相对面积变化或病斑数量是否增加来确认病害的存在。对本文提出的跟踪算法、叶片匹配算法和序列图像上病害识别的精度进行了测试,试验表明,跟踪算法平均多目标跟踪准确度为73.6%,多目标跟踪精度为74.6%,基于判别模型颜色特征的传统跟踪算法分别是14.3%和61.3%;基于SIFT特征的叶片匹配在识别同一叶片时的精度达到了90.9%;在排除虚假病害方面,虚警综合排除率(马修斯相关系数)达到了84.3%。在叶片病害显著性检测方面,本文构建了一个4×5网格的多分辨率简化神经网络,使用该网络对叶片病害进行显著性检测。结果表明,简单背景下F度量值是0.916,均值绝对误差是0.048;复杂背景下F度量值是0.754,均值绝对误差是0.126。