苹果因其丰富的营养价值,已成为世界上产量较高的水果之一。苹果产业的发展在满足人民生活需求的同时,也为当地经济带来巨大的效益。然而在苹果生长过程中,因受到自然环境因素的影响,在苹果叶片部位会产生多种病害。这些病害严重阻碍苹果正常生长,影响苹果的品质,从而造成巨大的经济损失。构建苹果叶片病害检测模型,对提高苹果品质,减少农户经济损失等方面具有十分重要的意义。本研究以苹果叶片常见的5种病害为研究对象,从苹果叶片图像预处理、苹果叶片分割方法和苹果叶片病害检测方法三个方面展开研究,构建了苹果叶片病害检测模型,并实现了苹果叶片病害检测小程序。本研究主要完成工作如下:（1）苹果叶片图像预处理。本研究的苹果病害叶片原始图像由人工爬取、人工拍摄采集和部分公开数据集三部分组成。为了均衡5种类型病害图像数量,减少自然因素对拍摄图片的影响,避免模型因图像数量过少而出现过拟合。本研究使用图像增广方法对原始图像进行扩充,通过双线性插值法对扩充后图像进行缩放,并使用标注工具对苹果叶片病害区域进行标注,最终制作成PASCAL VOC格式数据集和mask数据集。（2）苹果叶片分割模型研究。针对自然条件下苹果叶片图像背景复杂,导致检测效果不佳的问题。本文以DeepLabV3+为基础构建了苹果叶片分割模型,该模型采用编码器-解码器结构,其中编码器部分主要由特征提取网络和空洞空间金字塔模块组成。为了减少模型参数,提升模型训练效率,选取深度可分离的Xception作为模型的特征提取网络;同时为了扩大模型感受野,使模型从复杂背景中捕获更多苹果叶片像素,增强模型分割能力,将空洞空间金字塔池化模块中的空洞卷积进行密集连接。实验表明,本研究构建的苹果叶片分割模型平均交并比和均像素精度分别为84.27%和85.43%。（3）苹果叶片病害检测模型研究。针对苹果叶片病斑面积较小,所含特征信息较少,导致检测精度较低的问题,本文以Faster R＿CNN为基础构建了苹果叶片病害检测模型,该模型主要由特征提取网络、候选区域网络和分类回归网络三部分组成。为了提取更加丰富的苹果叶片病斑特征,将Faster R＿CNN模型中特征提取网络改为可将不同尺度特征信息进行融合的特征金字塔网络;同时将分类回归网络中的感兴趣区域池化替换为精确感兴趣区域池化,以避免感兴趣区域池化中量化取整造成的精度损失。实验结果表明,该模型平均精度均值可达84.45%。本文设计并实现苹果叶片病害检测小程序,用户通过小程序可对5种苹果叶片病害进行检测,并了解相关病害知识和防治措施。