农业在一个国家的经济发展过程中起着战略性作用,对于发展中国家的经济稳步发展至关重要。由于农作物病害而引起的农产品减产减收是农业经济发展的一大障碍,为了解决这一障碍,对于农作物病害的及时防治尤为重要。准确且高效的识别农作物病害是进行病害防护治理的前提条件,对农作物的产量和品质有直接影响,因此如何更加高效并且精准的对农作物病害进行识别对于农业生产具有重要意义。在过去,一般通过农作物病害专家对发病作物进行病害识别,这种方式耗费人力物力,并且时效性难以满足。随着科学技术的进一步发展,很多研究人员通过提取病害特征并构建机器学习模型进行病害识别,仍然存在识别过程复杂,泛化性较差等问题。为了解决上述问题,本文以卷积神经网络为基础进行研究,试图找到更合适的农作物病害识别算法。卷积神经网络依靠其优越的特性在各个领域中得到应用,在图像识别技术应用领域更加具备优越性,其能够对病害图片中的特征信息实现自主获取,相对于传统图像识别方法而言,准确度有明显提升。本文针对农作物病害识别所做的研究工作主要有以下三个部分:（1）提出了基于迁移学习结合特征融合的农作物病害识别算法。通过迁移学习技术对病害数据集进行更高效的训练,并将两个模型学习到的病害特征进行特征融合以获得更丰富的病害特征信息。鉴于VGG16和Res Net50两种网络模型的类激活热力图不同,将两种网络所提取到的病害特征信息进行特征融合,构建为新的Res＿VGG模型。随后进一步分析了学习率、数据增广、训练方式对模型的影响,与其他常见模型做了对比实验。（2）提出了基于注意力机制和多尺度残差网络的农作物病害识别算法。该研究在残差网络（Res Net18）的基础上进行改进,引入Inception模块,利用其多尺度卷积核结构对不同尺度的病害特征进行提取,提高了特征的丰富度。在残差结构的基础上加入注意力机制SE-Net（Squeeze-and-Excitation Networks）,增强了有用特征的权重,减弱了噪声等无用特征的影响,进一步提高特征提取能力并且增强了模型的鲁棒性。实验结果表明,改进后的多尺度注意力残差网络模型（Multi-Scale-SE-Res Net18）在复杂田间环境收集的8种农作物病害数据集上的平均识别准确率达到95.49%,相较于原Res Net18模型准确率提高10.88%。（3）基于改进的Mobile Net V2模型的农作物进行病害识别。如今,智慧农业生产所使用的智能设备多是移动端设备,面临设备资源有限等问题。本研究使用Shuffle Net V2网络的通道分组以及通道混洗模块来对Mobile Net V2的倒残差结构进行改进,替代部分1×1卷积,形成新的模块,称为SIR（Shuffle Inverted Residuals）模块。在确保准确率的同时,改进后的SIR-Mobile Net模型参数量相较于原Mobile Net V2降低了33%。