木薯作为全球第六大粮食作物,应用价值很高,既可以用多种方式加工成食品,也可以应用到经济市场中。然而,由于木薯叶易遭受病毒性疾病的侵害,因此,其产量和质量难以得到保证。早期,需要专家到田间对木薯叶的疾病类型进行判断和治疗,但该方法耗时耗力,并且需要专家有丰富的诊断经验。目前,基于深度学习的识别技术可以较大提高识别疾病类型的效率,但难于处理背景复杂且样本数量较少的数据集,网络模型的识别精度仍不够高。因此,本文提出一种改进的残差神经网络模型,以此提高模型的识别精度。首先,在网络模型中嵌入注意力模块,提高模型对图像特征的注意力;然后,使用数据增强技术,解决数据集中疾病样本数量过少的问题,提高模型的泛化能力。针对数据集存在的分辨率低、背景复杂、聚焦差等问题,文章将压缩激励模块（Squeeze-and-Excitation Networks,SE）卷积注意力模块（Convolutional Block Attention Module,CBAM）和金字塔分割注意力模块（Pyramid Split Attention,PSA）嵌入到Res Net50网络的卷积层后面,以此提高模型对疾病特征的提取能力。实验结果表明,将PSA注意力模块嵌入到Res Net50网络架构中的Conv4层后面,可使模型效果最优,即模型的识别精度提高了1.3%。为了处理数据集中木薯叶白枯病（Cassava Bacterial Blight,CBB）疾病类别样本数量过少的问题,本文利用循环生成式对抗网络（Cycle Generative Adversarial Network,Cycle GAN）来处理健康类别的木薯叶图像,生成具有CBB疾病特征的木薯叶图像。实验结果表明,增加CBB疾病类别的样本数量后,其测试精度提高了13%,并且其他疾病类别的识别精度也有不同程度的提高,其中木薯绿螨病（Cassava Green Mottle,CGM）疾病类别的识别精度提高的尤为明显,为7%。网络模型的识别精度提升了3.5%,高达91.3%。本文使用注意力机制并结合数据增强的方法,有效提升了网络模型对木薯叶疾病识别的性能。本文模型能够精准识别木薯叶的疾病类型,有助于农民更好地对木薯叶疾病对症处理,从而提高了农民的作业效率。本论文的研究成果,推动了木薯叶疾病识别的研究发展,并且为其他类似的植物疾病识别提供了研究思路。