随着智能时代的到来,“人工智能”已成为人们日常生活中必不可少的话题。近年来,更多的国内外业界研究者更专注于其在农业领域的发展。同时,伴随计算机视觉技术的引进,“神经网络”一词渐渐进入人们的视野。利用深度学习技术对植物叶部病害进行准确、快速的识别,可以增大作物的产量、预防植物病虫害以及能够有效的抑制农药对农产品和周边环境所产生的危害。本文以梨树病害为切入点,主要分析:(1)主流深度学习技术在识别梨树褐斑病与梨树锈病方面的性能;(2)在(1)的基础上,通过计算病害区域与叶片总区域的像素比研究叶片病害区域的严重程度。主要内容如下:(1)通过图像预处理技术对梨树叶片进行图像增强、消除噪声以及特征的提取等;(2)在(1)的基础上使用支持向量机对分割后的梨树病害进行训练;(3)结合VGGNet和ResNet两种深度卷积神经网络模型对病害叶片进行训练以及识别。将其结果与(2)进行观察对比。(4)另外,对植物病害的严重程度进行分级,将严重程度分为六级,通过病斑区域占病害叶片面积进行划分;经过测试,利用HSV颜色空间可以有效提取梨树褐斑病病斑与梨树锈病病斑。也通过统计像素点数对梨树病害严重程度进行划分。而且,实验也证实了VGGNet和ResNet两种深度卷积神经网络模型在图像识别任务中的优势。同时因其结果的可靠性、适应性强的特点,实验结果对于后续相关的病害识别有很大的帮助。