自古以来,中国都是注重农业生产的农业大国,而植物病虫害问题,一直是困扰农业高效生产的主要问题之一。随着精准农业的提出,为了实现高产出,除了科学播种,高效防护之外,快速而准确的植物病虫害识别方法成为迫切的需求。与此同时,随着计算机硬件的升级换代,运算性能也日趋强大,为构建电脑端的自动识别系统提供了可能性。此外,随着移动设备的普及和发展,高清摄像头和高性能处理器等综合因素为基于自动图像识别的疾病诊断提供了前所未有的发展规模。基于卷积神经网络的图像识别系统在计算机视觉中取得较好的分类效果,但是依赖大量的带标签的训练集。为了缓解上述问题,本文将无监督的生成对抗网络引入植物病虫害叶片图像识别系统中,主要研究内容如下:1)构建植物病虫害图像识别数据集。在保证图像有效信息不变的前提下,分别对15类病虫害图像进行数据增强,扩充数据集;滤波降噪,增强有效成分。2)生成对抗网络的改进。为了获得更好的生成样本质量和识别效果,分别对GAN网络及其衍生模型进行改进。针对GAN模型,为了获取更深层次的图像特征,引入卷积神经网络CNN,构建深度卷积生成对抗网络DCGAN;针对CGAN模型,为了提取图像多样性有效信息,引入高斯混合噪声取代服从单一分布的高斯噪声;针对SSGAN模型,为了提升判别网络的辨别能力,更好的区分生成样本类别和真实数据类别,将Softmax分类函数的分类结果由K+1调整到2K。针对ACGAN模型,可以视为CGAN和SSGAN模型的综合,为了提取更细微的深层图像信息,引入双路判别网络。3)基于深度卷积生成对抗网络强大的无监督数据增强能力和植物病害图像识别领域的深入学习和启发下,综合考虑生成对抗网络的变体和改进后的模型,提出了一种新型的综合改进生成对抗网络(GMM-SMP-DAGAN)用于数据增强和图像识别。为了提升网络的分类效果,引入模型融合的思想,构建高性能的图像识别系统。在经过数据清洗和数据增强的公共植物数据集Plant Village进行模型训练,分别取得97.68%和98.14%的准确率。为了验证本文所提的综合改进生成对抗网络GMM-SMP-DAGAN的可靠性和泛化能力,选用迁移学习的Alex Net网络设置对比实验。在相同实验环境和数据集下,本文所提GMM-SMP-DAGAN要比迁移学习的Alex Net网络性能更佳。最后,将训练好的模型移植到手机终端中,可实时,高效地对植物病虫害图像进行识别。