病虫害识别对于维护植物的安全,了解农作物植物的安全、农作物的产量、及时有效的合理治疗都有着很大的作用。传统的病虫害识别通常是手工识别或者是采用机器学习,应用深度学习技术的相对较少,使用深度学习的多数识别的为某一类农作物的不同病害或者不同种类的农作物同一种病害或者少数类别的虫害或病害,缺少对大样本量的识别。随着深度学习的不断发展,作为很重要的一部分的卷积神经网络也随之发展起来。卷积神经网络是深度神经网络的一种,它有其独特之处,可以降低训练时的参数数量,有着其他深度神经网络没有的特殊卷积层。由于它连接方式不同,方式为局部连接方式,而且可以将权重值进行共享,它的降采样层也会让网络的鲁棒性进一步提升,还可以很好的较少网络的复杂度,便于操作实现,同时某些网络的过拟合问题也得到了很大的改善。本文从卷积神经网络的基本概念和算法入手,深入研究卷积神经网络的理论及相关问题,最后提出了PD-Net（Pest and Plant Diease Net）网络,该网络可以有效的解决对复杂大规模样本的病害以及虫害难以识别的问题,并且识别的准确率以及损失值等其他评价指标均有一定的提升。本论文工作主要如下:（1）首先,我们采用了两种多类别大样本的病害数据集和虫害数据集,然后自采了一部分病害数据集中样本量较少的,分别为樱桃白粉病一般、樱桃白粉病严重、葡萄黑腐病一般、葡萄黑腐病严重、番茄斑枯病一般、番茄斑枯病严重、柑橘黄龙病一般和柑橘黄龙病严重,每类图像100张共计800张图像,然后将这些图像融入到病害数据集中进行分类识别。（2）其次,本文提出了一种基于深度学习的病虫害识别网络模型架构PD-Net,该模型中融入了注意力机制以及跨层非局部模块,解决了数据集中样本量较大,对关键特征的提取和表示困难（图像模糊不清、背景较为复杂）以及精细差异化特征表述不清晰（相同种类差异大、不同种类差异小）等问题。（3）最后,我们进行了大量的实验,首先进行了消融实验,将原始模型已经本文提出的改进点和改进模型分别进行实验,通过消融实验证明我们加入的两种改进方法都是真实有效的,然后进行对比实验,将本文提出的网络模型与Alex Net、VGG16、Google Net、Inception-v3以及Dense Net121模型进行对比,分别在病害数据集以及虫害数据集进行实验,对本文提出算法框架的有效性等进行了验证,根据最终的实验结果可以得出,在学习率、迭代次数、权重衰减率、损失函数等环境相同的情况下,本论文提出的网络模型准确率、召回率、F1、损失值均有一定的提升,同时使得本论文算法模型的有效性得到了进一步验证。综上所述,本文采用了大规模的病害和虫害两种数据集,并且自采了部分病害数据集,针对病虫害识别问题提出了相应的改进方法以及新的网络模型架构,通过消融实验以及对比实验对所提出的网络架构进行了有效性验证。同时也会后续其他研究病害虫害以及其他识别分类问题的学者提供了新的方法以及思路,也使得以往无法对大规模病害虫害文题的分类的问题得以解决,也为后续病虫害的治理问题提供了便捷。