黄瓜是世界上种植面积最广的蔬菜之一,也是我国重要的温室经济作物。其中,黄瓜霜霉病和黄瓜角斑病是温室中极易发生的病害,由于其发病周期短、传染性强的特性易给农户造成较大的经济损失。随着计算机技术的不断发展,黄瓜病害诊断模型得到广泛的应用,很多基于卷积神经网络构建的植物病害诊断模型取得了优异的效果。但现有的很多模型是在背景单一的植物病害图像数据集构建的,在实际生产环境中应用时,复杂田间环境的引入会影响模型诊断准确率。此外,基于卷积神经网络构建的病害诊断模型往往具有较高的参数量和计算量,计算耗能较高,难以应用到计算、存储和电池性能有限的温室边缘设备中。针对上述问题,本论文主要从目标检测和图像识别的本质原理出发,对实际应用场景中的病害检测和识别模型的构建方法进行深入的研究和探讨,以提高病害诊断模型在实际田间环境的可应用性。本研究的主要完成工作可归纳如下:1.构建具有不同背景复杂程度的黄瓜病害叶片数据集,同时提出了背景复杂度划分方法。以此数据集为基础,构建了在田间复杂环境中具有较好检测效果的黄瓜病害检测模型。首先,使用Efficient Net B1和Extra Layers作为模型的主干网络;其次,考虑到黄瓜病害数据集中包含各种尺度的黄瓜病害叶片,选取了六种不同尺度的特征图参与目标检测;最后,为了提升浅层特征图的语义信息含量和深层特征图的细节信息,使用自适应特征融合方法计算出各特征图融合时的权重,使不同尺度的特征图关注特定尺寸的黄瓜叶片。大量实验表明,本研究构建的黄瓜病害检测模型可以有效的提升模型在复杂环境下的鲁棒性,在具有不同背景复杂程度的黄瓜病害数据集上m AP值达到了85.52%。2.构建轻量级植物病害识别模型CNNLight,降低模型对边缘设备计算和存储资源的需求。首先使用深度可分离卷积、传统卷积和激励挤压模块构建轻量级模型基础模块,进而探索最适合本任务的模型结构。实验结果证明本研究构建的轻量级模型在具有复杂背景的黄瓜病害数据集上识别准确率达到了90.2%,模型体积为0.479MB,计算量为0.03GFLOPs,较低的计算量和模型体积为其在边缘设备的应用奠定了基础。3.提出使用加法特征提取方法,即利用L1范式衡量特征图与卷积核之间相似度的方式构建病害识别模型,降低模型一次特征提取过程所需的计算能耗,进而延长边缘设备的工作时间。首先,使用加法特征提取方法构建了通用的深度可分离加法特征提取模块和激励挤压模块;再使用上述加法特征提取模块对构建的轻量级卷积病害识别模型进行重构,得到轻量级加法黄瓜病害识别模型ADDLight。实验结果显示与具有相同结构的卷积神经网络相比,加法特征提取模型的计算耗能降低了96.1%,能够有效延长边缘设备一次充电后的工作时长。