运用传统的机器学习方法对农作物叶部病害图像进行识别时,需满足两个基本前提:训练样本与测试样本满足独立同分布的条件;有充足的标签样本才能学习到一个较理想的模型。而在实际应用中,针对某一任务进行大量的标签图像收集工作难度较高:农作物叶部病害的发生受季节、地域和气候等影响,为图像的采集增加了难度;标注大量的图像费时费力。近年来许多专家学者开始运用迁移学习来解决目标领域存在标签数据不足的问题,在节约人工标注成本、提高已有资源利用率的同时,提高目标领域任务的学习效果。对农作物叶部病害图像进行识别过程中数据集存在类间不平衡等问题,本文对迁移学习中基于实例的迁移和基于模型的迁移进行研究,主要研究内容包含以下三点:1)针对目标数据集存在类间不平衡问题,将集成学习与基于实例的迁移学习相结合,提出了一种基于改进的Tr Ada Boost算法的农作物叶部病害图像识别方法。采用白化的图像预处理方式减少图像冗余和曝光程度,采用C-均值聚类方法获取与目标数据集相似度较大的源域数据集图像。为提高目标数据集少数类的识别率,在其少数类权值更新过程中添加动态平衡因子,根据多数类和少数类错误率调整少数类的权值更新。在多个数据集上进行实验,结果表明本文提出的方法可以提高目标数据集少数类样本的识别率。2)针对玉米叶部病害图像特征复杂度较高的问题,提出了一种基于深度迁移学习和度量学习的玉米叶部病害图像识别方法。迁移预训练Alex Net网络用于提取图像特征,并在分类器前添加度量层,计算每类图像特征的泛化中心与样本的欧氏距离均值作为Center Loss,并将其与分类器损失函数作为网络的总损失函数指导网络训练,以增加类间距离、减小类内距离;采用侧重难分类样本的网络训练策略,在提高难分类样本识别准确率的同时,提高网络训练速度。实验结果表明,本文提出的方法在用于复杂特征较高的玉米叶部病害图像识别时识别率显著提高,且模型收敛速度较快。3)针对目标数据集标签图像数量较少且目标数据集与源数据集特征分布存在差异的问题,提出了一种基于深度自适应网络的农作物叶部病害图像识别方法。采用一种浅层网络参数共享的二支路Alex Net网络分别对源域和目标域的图像进行特征提取;对网络的三层全连接层添加适配层,引入最大均值差异准则度量源域与目标域的特征分布差异,通过减小该差异达到对目标域分类的目的。实验结果表明,本文提出的方法在源域与目标域特征分布相差较大时,可以提升目标域的识别效果。