水稻是我国主要粮食作物,现阶段伴随着全球环境所发生的改变,水稻病害的发生率较以往有所提升。传统的病害识别方法主要是通过农业专家对病害进行人工判别,在病害发生的高峰期,容易出现专家难求的情况,并且这种方式存在一定的主观误判现象,从而延误了水稻病情的防治时间,使水稻产量出现大幅度降低甚至颗粒无收,对种植者造成重大的经济损失。在水稻生长过程中稻瘟病、稻曲病、白叶枯病这三种病害侵染率较高且对产量的影响较为严重,所以本实验旨在针对这三种病害研究出便捷、准确的识别方法。近年来随着机器学习这一领域的不断发展,卷积神经网络在图像识别领域展示出了令人满意的效果,运用卷积神经网络解决病害识别这一问题,一方面促进了人工智能和农业产业的深度融合,另一方面也提升了水稻病害的识别效率。本实验针对水稻病害识别问题进行了深入研究,首先对实验选取的三类水稻病害样本图像进行收集,由于采集到的部分图像存在图像尺寸及光照强度不同等问题,所以对其进行了尺寸归一化和直方图均衡化,以此降低这些因素对识别结果所产生的影响。神经网络在训练过程中需要大量样本来进行特征学习,本实验也对这三类水稻病害样本进行数据增强,数据增强的方法主要是随机剪裁、旋转和镜像,并且针对增强后的数据集进行了类不平衡处理。接下来实验针对水稻病害搭建了一个十二层的卷积神经网络模型,同时针对网络训练过程中所需要的参数进行了分析设计。最初搭建的模型对水稻病害的识别精度难以满足现实要求,为了进一步优化模型,本实验从迭代次数、batch size、优化算法和学习率这几方面进行了探究,并通过实验对比得到最优参数。同时为了更加清晰的了解模型对病害特征的学习能力,本研究也对卷积过程后输出特征图进行了可视化分析,研究结果表明优化后的模型对这三类病害的识别准确率达到98.24%,可以对病害进行精确识别。最后为了提供一种便捷的水稻病害识别方法,本实验基于Flask框架搭建了一个水稻病害识别平台,设计实现了病害样本上传、tensorflow模型调用、病害识别结果返回等功能。当水稻发生病害时,用户通过上传病害图片就能及时的得到诊断结果,使种植者降低了对农技专家的依赖,方便其更加快速的对病害进行下一步的治疗,同时也为水稻病害识别提供了有力的技术支撑。