我国是农、林业大国,每年会有大量的粮食和水果收获。但是在种植农林作物时会经常遇到病虫害,这对农林业从事者们是一个非常头疼的问题。一旦病虫害问题严重,就会大大影响农林业从事者半年或者一年的收成。因此,避免农林作物受到大面积的病虫害,害虫防治工作尤为显得重要。随着计算机视觉的快速发展,很多方法都有被应用在害虫图像识别上面。如近年来发展的比较成熟的卷积神经网络（CNN）技术以及基于卷积神经网络的各种深层卷积网络模型,都有被广泛应用在各种分类任务上。卷积神经网络具有平移不变形,能够很好地提取图片特征信息,但是它也有相应的缺点,如:对位置信息不敏感,训练时需要大量的样本数据,训练时间长,对设备的要求高。因此,本文研究了胶囊网络对害虫分类的效果。由于胶囊网络自身的特点,使得它在处理小数据集上具有很大的优势。无论使用卷积神经网络模型还是胶囊网络模型对图像进行分类识别,都得有一份训练数据,而本文实验初始只具备几十张的五种害虫的图片数据。即使胶囊网络处理小数据集具有优势,但几十张图片数据作为训练数据还是比较少。针对这一问题,本文使用爬虫技术和图像增广方法对已有的少量图片数据进行扩充。但是,网上爬取的图片会存在“所爬非所需”这一问题,故此,本文使用Alex Net对爬取的图片进行二分类,节省人工标注所耗费的大量人力及其他成本。本文使用对比实验来验证图像增广方法和Alex Net模型对爬取的害虫二分类标注的可行性。首先将原始图片数据作为训练数据训练5个Alex Net模型,使用图像增广方法对原始图片数据进行扩充得到的新数据集作为训练数据再次训练5个Alex Net模型,对比两次训练好的5个Alex Net模型的实验结果,并且使用两次训练好的5个Alex Net模型对爬取的害虫图片进行分类,对比分类预测的准确率,从而验证图像增广方法的可行性。然后将在百度和搜狗上各爬取的5种害虫的各200张图片作为训练数据训练Goog Le Net模型、Res Net18模型和胶囊网络三种模型,将使用Alex Net模型对爬取的图片进行二分类后的图片作为训练数据再次训练Goog Le Net、Res Net18和胶囊网络三种模型,对比两次模型的实验结果,从而验证Alex Net模型对爬取的害虫图片二分类标注的可行性。最后,将构造好的训练数据进行图像增广,使用Goog Le Net、Res Net18和胶囊网络对其进行训练,对比实验结果,得到胶囊网络分类准确率最高。最后,对胶囊网络的第一层卷积层网络结构进行改进,使用改进的Incept ion结构+2个5×5的卷积核构成的卷积层替换胶囊网络的第一层卷积层,实验结果证明,改进后的胶囊网络的分类准确率比胶囊网络提高了4.7%。