水稻作为我国最主要的粮食之一,在中国农业生产中占据重要的地位,每年保障其产量是目前重要的工作之一。水稻病害是影响水稻产量的主要因素之一,所以快速、准确的识别与检测水稻病害并进行有效的防治是非常重要的。人类现知的水稻病害种类非常多,但目前大多数学者的研究对象只为某一种病害或几种病害,且传统的图像技术和机器学习对图像特定特征依赖性强,虽然在水稻害识别方面有了不错的成效,但获得的识别分类模型具有一定的局限性,卷积神经网络恰恰可以降低其局限性,它可通过大量的训练样本自动提取图像特征。针对以上问题,本文研究内容为以下几个问题:1、结合图像分割与卷积神经网络,设计针对水稻自然环境下白叶枯病、赤枯病、胡麻斑病和纹枯病四种病害图像的识别模型。利用图像随机旋转、随机亮度改变等数据增强方式扩大病害数据集,并以4:1的比例将数据随机划分为训练数据和测试数据,然后应用区域生长、基于水平集的CV模型、显著性检测三种算法对扩充后的图像进行分割,并构建网络层分别为6层（输入层32×32×3,卷积核大小为5×5）和8层（输入层227×227×3,卷积核大小为11×11、5×5,3×3）的卷积神经网络。实验结果表明,以显著性检测分割算法和8层网络层的卷积神经网络结合得到的模型效果最佳,其训练识别准确率为99.99%,测试识别准确率为99.88%,可以对病害进行精准识别。2、基于上一试验,本次试验利用共8层网络层的Alex Net网络实现端到端的水稻病害图像识别,并增加水稻病害图像的种类数。采用卷积神经网络对水稻干尖线虫病、白叶枯病、细菌性条斑病等8种简单背景下的水稻叶部病害图像进行识别。将病害图像通过随机旋转、随机亮度和随机对比度等方法进行样本扩充后,随机划分80%的图像作为卷积神经网络的训练样本,20%为测试数据。训练样本直接输入Alex Net网络与Le Net5网络进行训练,得到两种识别病害的模型。在Alex Net网络上再分别实现模糊C均值聚类图像处理和每层激活函数后添加批归一化层两种方法对图像进行识别,得到另两种水稻病害识别模型。结合四种模型的识别结果及模型性能评价指标的分析,表明Alex Net网络添加批归一化层得到的模型的识别效果最佳。其最终测试识别率达99.11%,比其余三种模型分别提高了0.23%、0.59%和4.43%。该模型识别能力与泛化能力强,为基于卷积神经网络的水稻病害研究提供参考。3、从以上两个试验可知,网络层较深的卷积神经网络得到的识别效果较好,因此本次试验对简单的Le Net5网络进行改进,使网络能够提取更深层的特征。同时,为解决小样本数据问题,通过融合算法增加分类器识别的特征。利用Concat融合方法,提出一种融合颜色特征与改进Le Net5网络的双分支网络的水稻病害识别模型。为提取更深层的特征图像,对Le Net5网络进行改进,为获取更多特征图像,设计双分支卷积神经网络。将上述扩充后的8类水稻病害图像作为数据集,输入双分支卷积神经网络后,得到一种模型。然后将图像转化为HSV图像,与原图像分别作为双分支卷积神经网络每个通道的输入,经过Concat融合后输入全连接层,最后通过分类器得到识别结果。经过对比分析后,发现融合颜色特征与改进Le Net5网络的双分支网络得到的识别模型效果最佳,为以后融合特征卷积神经网络在农作物病害识别的研究奠定基础。研究试验表明,具有八层网络的卷积神经网络与显著性检测结合对复杂背景下四种水稻叶片病害的识别准确率有较好的提高,识别准确率可以达到99.88%。对于简单背景下的八种水稻叶片病害图像,Alex Net网络添加批归一化层以及基于特征融合和改进Le Net网络的双分支卷积神经网络均有较好的识别效果,准确率分别达到99.11%和97.41%,且网络模型避免了过拟合问题,具有较强的鲁棒性。