蓝莓僵果病是蓝莓生长过程中发生最普遍、危害性最大的疾病,其可以导致40%以上的产量损失,严重威胁种植者的经济收入。由于深度学习自动特征工程的优势,其已经成为农业领域疾病检测与控制不可或缺的技术。但是目前对于植物病害识别的深度学习算法主要采用单任务学习的思想,针对不同的识别任务,训练单独的网络,优化各自的性能指标,然后进行识别,这样会丢失植物病害识别不同任务之间的关联信息,识别准确率和效率不足。本文的研究目的是构建深度多任务学习模型,同时解决蓝莓僵果病感染部位识别、感染阶段划分以及感染严重程度估计三个任务,取得比深度单任务学习更好的性能。首先,通过多种方式采集蓝莓僵果病害图像形成原始数据集。针对蓝莓僵果病害识别三个任务,标注生成三个数据集。采取数据增强技术对标注的数据集进行样本扩充。将扩充后的数据集随机划分为训练集和验证集,用于深度多任务模型的开发和验证。然后,采用硬参数共享机制设计并实现了四个版本的深度多任务模型,并且对深度多任务模型的损失函数进行了改进。最后,设计实验评估了本文提出的深度多任务模型在解决蓝莓僵果病害识别问题上是否存在有效性。进一步,验证了改进的多任务学习损失函数能否有效平衡各个任务的性能。此外,不仅对比了传统深度单任务学习模型,判断深度多任务模型是否具有优越性,而且分析了多任务学习参数共享机制以及迁移学习技术对于模型性能的影响,还可视化了模型特征提取过程,以人类视觉可理解的方式直观查看模型预测的判断依据。实验结果表明,本文提出的深度多任务学习模型可以有效解决蓝莓僵果病害识别三个任务,其最佳识别准确率可以达到99.44%、99.72%、98.61%。深度多任务模型在深度单任务模型的基础上平均提升了1%的准确率。改进的多任务学习损失函数可以有效平衡各个任务的性能。参数共享机制以及迁移学习技术可以有效提升模型性能。深度多任务模型关注的图像区域主要集中在蓝莓病斑区域,即模型可以有效学习到蓝莓僵果病的病害特征,并以此作为判断依据,对僵果病害进行识别。