植物病害是危害蔬菜品质的主要因素之一,很大程度上损害农民经济收入,黄瓜在其生长周期中极易受到病害威胁,大规模、高密度的种植方式给传统的病害防治措施带来了巨大挑战。传统的病害防治方法通过人眼观察或者侵染性实验,该方法具有效率低下、主观性强等缺点,并且过量地使用化学农药不仅会导致农药残留、植物抗药性的问题,同时对环境造成污染。机器视觉、人工智能等相关技术在农业领域被广泛应用,特别是在植物病害识别和果实品质检测等相关领域取得优异成果,故本文将不同病害程度的黄瓜叶片病害图像作为研究对象,利用机器视觉和深度学习等相关技术对黄瓜叶部病害程度分级识别方法进行研究,对提高农产品品质和保证农业生态环境的绿色、可持续发展具有重要意义。本论文针对自然背景下不同病害程度的3种黄瓜叶部主要病害类型的分级识别方法进行研究,主要包括以下内容:(1)对采集的不同病害程度的黄瓜叶片图像进行数据增强处理,将黄瓜叶片病害图像进行旋转、扭曲、镜像变换、添加噪声等多种几何变换方法并且不改变图像的类别和属性,扩充数据集样本,解决训练样本不足的问题,在训练中减少模型过拟合问题,并按照一定比例将创建的数据集划分为训练集和测试集。(2)为避免传统识别方法中复杂的图像预处理和人工设计特征过程,本文以VGG-16网络模型为基础构建一个改进的深度卷积神经网络(Convolutional Neural Networks,CNN)模型,该算法首先利用微型迁徙学习、带参数整流函数(PReLU)来构建深度卷积层,对不同尺寸的黄瓜叶片病害输入图像进行快速且稳定的特征提取;然后采用空间金字塔池化的方式实现固定大小的黄瓜病害特征图像的输出表示;最后替换全连接层中的参数以降低计算复杂度,通过Softmax实现黄瓜叶片病害程度识别。实验结果表明,本论文提出的网络模型具有较好的识别性能,对黄瓜叶部病害程度的分级识别率为87.24%。(3)针对CNN在训练过程中的过拟合问题,分析讨论了卷积核尺寸、梯度下降优化算法以及激活函数的参数选择对模型过拟合率的影响,并且调整网络模型中的参数进行实验对比,验证改进的深度CNN模型的图像分类识别性能。