随着中国科学技术水平的不断提高和迅速发展,其在农业领域的研究和应用已经逐渐普及。但是,农作物病虫害的分类和识别是防治的重要组成部分,但由于害虫的隐蔽性、变态性、种群规模庞大的特点,传统的图像分类与识别方法面临着巨大的挑战。由于我国农作物病虫害防治体系不够完善,害虫的分类和识别方法也不全面,每年,由于农作物病虫害的持续增加,我国农作物产物持续减少,农业领域的发展受到了限制,经济效益也受到损害。利用改进后的神经网络图像分类技术能够有效地识别害虫。因此,本文选取了3个原始害虫的图像数据集,其来源于牛津大学采集的24类不同类型的田间昆虫数据和搜索引擎上采集的林业麦蛾4类和18类农作物卷蛾害虫数据以及我们实际拍摄的20类北方害虫数据作为研究对象。通过改进深度卷积条件生成对抗网络模型算法,为害虫识别提供了精准的分类依据,文本主要研究工作如下:(1)分析整理了现今对害虫识别相关算法的概述,并进行研究,归纳了传统害虫识别算法的缺陷,明确了基于深度学习与神经网络的害虫识别算法的研究思路。(2)对生成对抗网络进行了一系列的优化以及改进,提出了一种基于深度卷积条件生成对抗网络应用在害虫分类的算法。首先,利用空间金字塔层(SPP)来嵌入判别器的卷积层,使分类后的图像具有固定大小和相同尺寸,这不仅使模型获得了所需的图像特征,而且大大提高了模型的收敛速度。其次,将深度卷积条件生成对抗网络中的的交叉熵损失函数转换为最小二乘损失函数,使最小二乘损失函数在某一点达到饱和,从而增强了模型训练的稳定性。最后,利用RMSprop优化器对模型进行迭代优化,增强了模型的稳定性,使模型收敛更快,降低了网络的整体波动。深度卷积条件生成对抗网络在分类精度和稳定性方面具有明显优势,交叉验证得到的平均分类准确率高达96.8%,明显优于其他对比算法,具有较高的准确率和较好的稳定性,可以为相关研究工作提供参考。(3)建立了基于稀疏编码的深度卷积条件生成对抗网络模型,利用稀疏编码技术和深度卷积条件生成对抗网络的优点,将判别器中的卷积网络替换为了稀疏编码网络。通过实验以及交叉验证的方法,证明了网络模型的平均精度高达97%,模型的收敛速度大大增加,为害虫识别分类算法研究提供了一个强大有力的基础。