目的——近年来,许多植物病害给世界务农人群带来了痛苦,估计每年造成全球农作物产量减少14%。植物病理学旨在提高植物在不利的环境条件和能引起病害的寄生微生物下的生存机会,温度、p H值、湿度和水分是影响植物病害发生的环境因素。而植物病害种类的误诊会导致化学品滥用,一方面造成经济损失,环境失衡和污染,另一方面产生耐药性原体菌株,从而给农民增加更大的负担。目前对于人类检测的疾病诊断是耗时且昂贵的,基于植物叶片图像的病斑自动分割与诊断比现有的方法更加有效,为此,本文将采用深度学习的方法来完成苹果树叶病害图像分割与识别研究。方法——植物病害识别包括图像采集、预处理、分割、特征提取以及基于一些模型的识别。使用深度卷积神经网络模型,从苹果植株叶片的图像中检测出苹果植株病害,并将其准确分类为6类。识别类别包括“健康”、“炭疽叶枯病”、“灰斑病”、“锈病”、“斑点落叶病”、“多种病害”。本文利用图像增强技术,即图像旋转和翻转、直方图均衡化、色彩变换等技术,对苹果树叶病害数据集进行了改进。基于增强后的数据集,提出了一种新的CNN网络模型用于苹果树叶病害图像分割,以及改进VGG网络模型用于苹果树叶病害识别。研究结果——将苹果树叶病害图像数据集通过图像增强技术进行处理,通过图像分割技术以及改进所提出的卷积神经网络模型;利用卷积神经网络分割的图像数据集训练改进的CNN网络模型,最终得到准确率较高的CNN模型,并在此模型基础上设计并实现苹果树叶病害图像识别系统,使得模型具备现实使用价值。研究的局限性——苹果树叶病害图像数据集中的图像种类和数量是定量的,改进的模型只能对提供在研究范围内的苹果树叶病害种类进行有效识别,而这只能象征苹果树叶最常见的几种病害的情形,对于数据集以外的树叶病害种类不确定能够准确识别;在系统应用中若图像的背景更为复杂,是否还能分割并准确识别,有待验证。实际影响——相对于传统方法来说,将深度学习应用到苹果树叶病害图像分割和识别中,不仅可以提高分割和识别精度,还能简化对应的分割和识别流程,获得较优的模型,解决了果农在种植水果时预防工作强度大、耗费时间长、效率低下的问题。独创性——将苹果树叶病害图像数据集通过图像增强技术进行处理,经过特征提取实现有效分割来提升图像病斑的识别程度;用改进的CNN模型对分割后的图像进行识别,最终得到较高识别准确率的模型。