近年来我国在农业生产中的经济投入越来越多,其中粮食生产占总体投入的比重最大,但是粮食的产出量并没有得到明显的改善,而影响粮食产量的重要原因之一是农作物虫害。随着农业信息化技术的快速发展,在农作物害虫的治理上需要进行更为智能的处理,而不是进行大面积喷洒农药,应该严格控制农药剂量实现精准喷洒来治理作物害虫,确保农药喷洒的高效性,全面实现精准智能化农业。本文以在自然背景下拍摄的6种主要的农作物害虫作为研究对象,主要内容如下:首先分析了2012年以前目标检测领域中各大方法的特点,从手工特征时期到人工神经网络时期,再从工神经网络过渡到卷积神经网络。主要分析了目前目标检测领域最为流行的三大卷积神经网络模型,一是基于候选区域和深度学习分类的RCNN系列算法,二是基于深度学习回归的SSD和YOLO系列算法。通过对多个算法模型分析后,本文将以YOLO-v3作为基础的模型。其次以6种拍摄的农作物害虫图像数据作为基础,再通过网络爬虫技术抓取部分相关的害虫图像数据,将两部分的作物害虫图像数据作为基础数据,并构建本文研究所需要的作物害虫数据集CPXJ-Datasets,并对其进行预处理,在预处理过程中,提出一种非整体标记方法,和传统的整体标记方法实现对比,并提出有效像素比(EPP)来衡量非整体标记方法的多种情况。经过预处理后得到多个卷积神经网络所需的训练数据集,为后续实验做好了数据准备。最后在YOLO-v3的基础上进行了改进,采用更为先进的聚类算法ISODATA来对anchor boxes进行获取,为bounding box的预测提供更优的初始值。针对特征提取网络Darknet53进行了分析,在其结构末端加入了两个Dense Block结构,从原来的3个尺度信息增加到5个尺度信息,增加了特征的信息量,还提高了特征在进行目标检测时的表征力。为了适应不同尺度的图像输入,在YOLO-v3网络结构中的第一个全连接输入前加入SPP网络结构,增加模型对输入图像的多尺度适应性。为了让模型更具有鲁棒性,本研究采用ELU激活函数替代了原模型中Leaky Re LU激活函数。通过对6种作物害虫进行卷积神经网络实验,将本研究改进的卷积神经网络模型和目前主流的三个目标检测算法模型进行作物害虫图像检测效果对比和分析,然后基于本文构建的数据集CPXJ-Datasets,对比分析了非整体标记方法和传统标记方法的实验结果,证明了本文提出的非整体标记方法和改进的卷积神经网络模型的可靠性和有效性。