某些检疫性植物病害,由于其传染性强、传播途径广、危害性大等特点,难以获得大量的样本,数据存在着严重的不均衡性,在应用深度学习方法对其进行分类识别时很难取得理想的效果。本文采用深度卷积生成对抗网络(DCGAN)对样本集进行扩充,使得扩充后的样本集中正负样本比例大致为1:1,且样本集规模都达到万级。利用扩充后的样本集进行分类实验,提高对小样本植物病害的分类准确率,实现对小样本植物病害的自动识别与检测。就DCGAN实验的改进而言,在卷积层和批量规范化(BN)层之间加入了自定义的Mute层,以解决鉴别器判别过于严格导致生成器无法学习到样本分布的问题,并能解决使用Dropout时遇到的方差偏移问题,进而提高生成样本的质量。此外,从生成样本与原始样本相似性的角度出发,提出了一种评价生成样本质量的方法,并选出了生成效果较好的生成模型。在病斑样本的识别分类实验中,卷积神经网络80%的神经元都集中在全连接层部分,使得网络训练的时候速度很慢,本文从减轻网络负载的角度出发,去掉了一层全连接层和两层卷积层,使网络的参数减小了一个量级,提升了网络训练的速度。在分类准确率方面,引入迁移学习的方法,对分类效果进行提升。最后提出使用增量学习的方法对训练好的网络模型进行更新,并在测试数据集中加入增量数据,以期增量学习后,在提高原始测试样本分类准确率的同时,新加入的数据集也能具有理想的分类效果。本文根据生成样本质量评价方法选出了效果较好的生成模型。优化后的Alexnet网络,其训练速度降速度原来的一倍,在扩充后的样本集中使用卷积神经网络对柑橘溃疡病进行分类,并引入增量学习的方法对训练好的网络模型进行更新。加入增量后其查全率提高到97.52%,F1值提高到89.88%,准确率提高到98.91%。初步满足了实际应用的需求,为柑橘溃疡病的自动诊断、推广、普及、使用方便性奠定了基础。