番茄检疫是保护番茄生长的一个重要过程,保障农户能快速高效的检测病虫害,制定相应措施,保护番茄的生长,进而保证番茄产量和品质。但传统的检疫手段往往通过人工筛选或者提取各个种类病害的不同特征再使用分类器将提取的特征分类的方法,这种方法往往耗费大量人力物力,检疫成本较高。由于病害种类多,发病时间不确定,难以及时获得大量的数据,造成数据不平衡;直接使用神经网络模型进行训练会导致识别准确率不理想。本文先对单一背景下的番茄叶片数据集进行识别,借鉴其优势,再对收集的真实场景下的番茄病害叶片数据集进行识别,进一步提高识别率和模型泛化能力,达到对真实场景下的番茄植物病害的识别。本文以番茄单一背景下的数据集和真实场景下的数据集为切入点,主要研究内容如下:（1）针对单一背景下数据不平衡、网络性能不高、局部过拟合等问题,提出了在Res Next（分组残差网络）中加入通道注意力机制和拆分注意力机制,再对数据集进行适当的预处理平衡数据,最后通过迁移Image Net数据集的训练模型参数,并微调参数和全连接层的方法,在公开数据集上证明了,相较于Res Next,Vision Transformer、Efficientnet,加入通道注意力和拆分注意力的Spilt-Res Next网络性能更好,识别准确率更高,同时使用参数微调的方法能进一步提升模型的性能。（2）针对真实场景图像背景复杂、数据量不足等问题,提出了采用将OUST自动阈值融合进K-means聚类分割中,完成对真实场景下番茄叶片的分割,削减复杂背景对网络特征提取的影响,然后采用在Res Next网络中加入通道注意力机制和拆分注意力机制的网络模型并迁移Image Net的预训练模型参数,训练时冻结前三层卷积层参数,训练剩余卷积层和全连接层的方法完成真实场景下的病害识别。实验表明使用图像分割和迁移学习的方法能提升识别准确率。（3）为了方便使用番茄病害识别模型,本文通过Flask框架,将网络模型部署到Web网页上,实现对番茄病害的实时检测。包含前端上传图片,后端识别病害类别,返回结果到前端三个步骤,完成病害的实时检测。