黄瓜是我国重要的蔬菜之一,各地种植广泛,市场需求量大,经济效益好。特别是随着温室大棚培养技术的发展使得黄瓜可周年生长,其种植面积和产量更是有了较大的提升。但是黄瓜生产周期长,病害较多,如不及时防治,往往会对黄瓜产量和品质造成重大损失。传统的病害识别方法严重依赖于分子分析或植保人员的观察。然而,前者复杂且局限于实验室环境,而后者耗时且容易出错。针对不同病害严重程度如不合理的控制用药量,容易导致食品安全隐患和环境污染。随着深度学习、计算机视觉的发展及广泛应用,其在黄瓜病害识别和检测等方面取得了较好的成果。但是,仅仅依靠识别和检测还不足够对黄瓜病害进行有效防治。因此,本文以复杂背景下黄瓜病害叶片为研究对象,利用基于语义分割的方法对黄瓜叶部病害严重程度进行定量估计研究,对黄瓜病害的精准防治以及实现绿色农业具有重要意义。本文针对复杂背景下黄瓜霜霉病病害分割以及病害等级划分方法进行研究,主要包括以下内容:（1）构建了基于深度学习的复杂背景下黄瓜叶片病害分割两阶段架构,对比SegNet、PSPNet、DeepLabV3+、U-Net等多个语义分割模型在两阶段中的分割效果,筛选出分割精度最高的模型进行融合,对叶片以及病斑做到了较为精确的分割,为黄瓜病害严重程度评估模型的实现提供了基础。（2）提出了病害严重程度分级模型DUNet,通过使用两阶段连续分割的方法,充分利用了 DeepLabV3+与U-Net两模型的优势互补性,并比较在DeepLabV3+模型中使用不同特征提取网络对实验结果的影响,最终选用MobileNet作为特征提取网络。相较于一阶段分割,获得了精度更高的分割效果。（3）提出了黄瓜霜霉病病害严重程度分级方法,通过计算病斑区域面积占叶片面极的比例划分等级,为实际生产中对病害的精准防治提供了技术支撑。最终实验结果表明,本文所提出的模型能够依次的将叶片与病斑从复杂背景中分割提取并进行分级,其中叶片分割准确率达到93.27%,病斑分割Dice系数达到0.6914,病害严重程度平均分级准确率为92.85%。与其它模型相比,本研究提出的模型具有较好的鲁棒性、分割精度和分级准确性,为复杂背景下黄瓜叶部病害严重程度定量估计提供了思路与方法。