农作物病害是影响农业经济作物产量和质量的主要危害之一。如何在农作物病害出现之初就能够对病害进行及时的检测与识别,提前防治病害,对农业生产丰收有着至关重要的作用。传统的病害识别方法完全依赖个人的工作经验和肉眼观察,具有识别效率低、主观性强、准确率低以及实时性差等不足。随着信息化技术的不断发展与提高,运用技术手段来辅助开展农作物病害检测与识别成为了一个迫切需求。近年来,深度学习技术方法凭借着其出色的泛化性能受到了广泛关注,这也为农作物病害的识别方法研究和应用,提供了一个全新的思路。本文基于深度学习中的深度残差网络以及轻量级模型对农作物病害图像识别方法开展理论研究,实现了基于轻量级模型农作物病害识别的应用开发。具体包括提出了改进的深度残差变体网络,应用模型蒸馏方案对轻量级模型性能作进一步提升。本文的主要工作及研究成果如下:（1）针对基础残差网络（ResNet）性能不佳的缺陷,本文对其卷积结构进行微调改进,提出了一种基于残差变体网络（VRNet）的农作物病害识别方法。该方法采用1×1卷积与平均池化组合的方式代替原始的3×3卷积过程,提升了网络模型的表达能力;同时将注意力机制模块（Squeeze-and-Excitation,SE）加入改进后的网络模型,得到残差变体网络SE-VRNet,增强了网络的选择特征提取能力,有效解决了农作物病害位置分散、特征难以提取的难题。实验表明,该方法在农作物病害数据集Plant Village以及Self Data上的Top-1准确率分别达到了99.53%和94.72%;（2）为了便于移动端的应用,本文将SE模块加入到轻量级模型（MNet）,得到改进的轻量级模型SE-MNet,并对训练的模型进行知识蒸馏（Knowledge Distillation,KD）从而进一步提升模型的精度,最终得到蒸馏的轻量级模型KDSEMNet。该模型在农作物病害数据集Self Data上的Top-1准确率达到96.89%,相比其他模型提升了0.52%至1.11%,且模型参数量仅有2.35 M。