民以食为天,粮为邦之本,粮食存储是一个国家的命脉所系。随着粮食产量的增加,我国建立了完善的中央储粮和地方储粮结合的储备粮管理系统。储备粮担任了市场供求的调节者、救急救灾的先行者及战略安全的保护者三重身份,提高了国家发展的抗风险能力。储粮害虫是粮食存储过程中的最大威胁,因此在害虫产生初期,及时检测出害虫并采取防治措施,对减小储粮损失尤为重要。针对此问题,论文提出一种基于深度学习的储粮害虫检测模型,通过改进YOLOv4算法并引入迁移学习训练网络,实现害虫检测,主要工作如下:（1）为了解决目标检测算法训练过程中所需数据集庞大且耗时较高的问题,论文引入迁移学习方法,并设计三种迁移学习方案。针对储粮害虫数据集体量不庞大的特点,论文提出二次迁移学习方法,设计了基于最大均值差异（Maximum Mean Discrepancy,MMD）的二次迁移学习源域选择策略,确定有效的源域用于迁移学习。实验表明,迁移训练全部的网络结构,在储粮害虫检测领域具有更高的平均精度均值（mean Average Precision,mAP）,源域选择策略下的二次迁移学习进一步提高了算法检测的mAP。（2）为了提高储粮害虫目标的检测精度,论文提出P-YOLOv4（Pets-YOLOv4）算法,实现了对5类常见储粮害虫的分类和定位。在YOLOv4算法的基础上,添加卷积块注意力模块（Convolutional Block Attention Module,CBAM）和空间金字塔池化（Spatial Pyramid Pooling,SPP）,提高了算法对储粮害虫目标特征的学习能力,结合Mish激活函数和优化的先验框提升害虫的检测精度。实验表明,P-YOLOv4算法相较于YOLOv4算法对储粮害虫检测的mAP提升了5.41%。（3）论文设计和实现了基于P-YOLOv4的储粮害虫检测模型,该模型主要包含数据集预处理和基于二次迁移学习的P-YOLOv4储粮害虫检测两部分。实验表明,论文提出的储粮害虫检测模型mAP相较于其他的害虫检测模型提升了5.34%～10.65%。该模型分别在单类单头虫、单类多头虫和多类多头虫三种测试集上测试,检测的平均准确率为98.2%、88.7%、75.48%。