农作物病虫害智能识别能够提高农业生产效率与农作物质量,有利于可持续和绿色发展。马铃薯作为全球第三大粮食作物,在生长过程中由于受到病虫害、微生物、细菌等侵害与感染,不能健康生长,致使产量减少和品质下降。为此需要对马铃薯病虫害进行智能识别研究。本研究利用网络爬虫技术、图像处理与模式识别、卷积神经网络等技术对马铃薯病虫害图像进行识别,主要研究工作内容如下:（1）数据增强自建马铃薯病虫害图像样本与图像预处理。基于python框架爬虫技术、正则化技术自动获取与过滤数据,数据增强后总计获取了15类典型病虫害的2220张图像的马铃薯病虫害图像库;利用中值滤波与灰度化技术对马铃薯病虫害图像降噪,对边缘、细节等进行图像预处理。（2）提出基于全卷积网络（FCN）与生成式对抗网络（GAN）的马铃薯病虫害图像的混合分割算法。为弥补FCN导致部分图像细节丢失问题,结合GAN,基于FCN生成器和马尔科夫判别器（Patch GAN）,在FCN-8s网络模型的基础上,提出基于FCN-GAN的马铃薯图像混合分割算法。实验结果表明,改进的马铃薯图像混合分割算法具有较高的细节保持度与鲁棒性,平均精度（Average-Precision,AP）值和交并比（Intersection over Union,Io U）值分别达到了96.2%和94.9%,分割性能好。（3）针对图像分割后马铃薯病虫害图像病斑区域与虫害出现位置较小等,导致传统卷积神经网络不能准确快速识别的问题,将VGG16网络模型从Imagc Nct数据集上学习得到的先验知识迁移到马铃薯病害叶片数据集上;然后,在瓶颈层后采用选择性核（SK）卷积模块;最后,使用全局平均池化代替全连接层,提出基于改进卷积神经网络的马铃薯病虫害识别算法。实验结果表明,改进后的卷积神经网络模型识别准确率达到了91.5%,模型大小减小到70.2MB,该模型能更准确快速捕获病虫害叶片上微小的病斑和害虫,提高识别的准确率,加快网络模型的收敛速度,降低了运算复杂度,提高了运算效率。