我国作为农业大国,如何提高作物产量和品质一直是我国农业生产中的重点难点问题之一。高效准确的作物监测方法是实现绿色可持续植保的重要基础,也是近年来的热点课题。虽然传统机器学习方法在多种农业场景中实现了对农产品的自动监测,但在特征选择上依旧需要人为干预,并且需要在不同农业场景下对模型进行较大的调整,导致检测和识别效率低下。随着深度学习技术和计算机设备的快速发展,深度学习技术以效率高、泛化性强以及鲁棒性好等特点被广泛应用于作物监测及病虫害识别等众多农业领域。尽管深度学习技术在作物识别与检测方面都取得了较好的效果,并且在作物产量和品质检测方面也越来越受到重视,但依旧面临着诸多挑战。如在深度学习模型的训练过程中,学者们通常只是对农产品简单拍摄,而在图像采集过程中忽略了作物本身的特性;模型针对农业小目标检测的能力有待提高;深度学习模型虽然优点众多,但模型的黑盒特性,导致农学研究者对其内部的运行机制了解不足。针对上述问题,本文首先利用荧光检测技术,以VGG和Res Net模型为基础,提取了西湖龙井、毛峰等5种知名茶叶的叶绿素荧光特征,最终获得95%的最佳茶叶分类准确率。进一步分析荧光、白光以及单通道图像分类结果,证实了结合深度学习分类模型的荧光检测技术确实有助于提升模型性能,提高茶叶分类的准确率,从而降低人工分类成本,缓解茶叶市场以次充好的现象。此外,虫害精准检测对于作物产量和品质监测至关重要,有效的虫害检测模型可以辅助农业生产中的虫害预防工作,并对作物产量品质提升具有重要指导作用。因此,我们以作物生长过程中收集的虫害数据为研究对象,研究了基于注意力机制的虫害检测模型。以YOLOv5模型为基础,引入多种注意力模块和Transformer模型对YOLOv5模型进行改进,最终模型的最高m AP达到51.2%,并且在虫害的预测类别分数以及小目标虫害检测方面都得到较大提升。最终得到高精度虫害检测的Swin-YOLOv5模型,以及快速虫害检测场景的New＿YOLO＿CBAM模型。该研究对于指导虫灾的精准判断、虫灾的预警与防治以及提高作物产量和品质等农业工作具有重要意义。针对目前深度学习在农业应用中的黑盒现象,以水果病害叶片为研究对象,设计了三组分类实验,利用VGG和Res Net模型进行分类,Res Net模型明显更好,其准确率分别是99.11%、99.40%、99.89%。随后在Res Net分类模型中应用CBAM模块提高模型的特征提取能力,并通过Grad CAM可解释性算法对结果进行分析,证实了模型在不同分类任务中对特征关注点不同,并且Res Net50-CBAM模型和Grad CAM算法相结合所呈现的结果更易于人们理解,使得模型可解释性更强。可解释性算法有利于提高模型的透明度和可信度,帮助农业学者更好的理解模型内部运行机制,从而提高学者对现代化计算机视觉技术的快速应用与扩展。