作为人类最主要的食物来源之一,农作物的生长过程极易受到病虫灾害等外部因素的影响。有效且及时的虫害防治措施能够帮助挽回大量的粮食损失,对农业经济和农业可持续发展都有着至关重要的作用。对害虫精准快速地识别是有效进行虫害防治工作的关键步骤。传统害虫识别方法主要依靠人类专家凭借自身经验或查阅资料来进行分类工作,准确性和时效性都难以满足当下智能农业的应用需求。随着科技的飞速发展,人工智能技术在农业领域的应用逐渐广泛,基于深度学习方法的害虫识别展现出了强大的性能优势,为农业虫害防治提供了新思路。为了解决传统农业害虫识别效率低下、准确率不高等问题,本文采用深度学习方法,在构建了一个农业害虫图像数据集HAULP31的基础上,对其进行训练得到一个最优的害虫自动识别模型。并初步部署远程数据采集设备,尝试使用此模型对真实野外农田环境下的害虫图像进行分类识别。主要工作如下:（1）基于对实验室农业害虫的研究,拍摄采集了31种农业害虫的成虫图像,使用CVAT标注工具对图像进行标注,并进行了单个害虫图像的剪切和数据增强工作,最终建立了一个包含44881张农业害虫图像的HAULP31数据集。本文数据集具有较高的可信度,并具有一定的通用性和推广性,可用于多种昆虫识别任务和迁移学习,为课题组后续研究提供了数据基础。（2）基于Tensor Flow学习框架和HAULP31数据集,选用Mobile Net、Res Net50V2、Dense Net121和Efficient Net B0作为实验的网络模型研究了害虫图像分类识别技术。经过对四种网络实验结果的对比分析,Mobile Net在加权准确率、训练速度等各项数据上都优于其他三种网络,在HAULP31数据集上达到了98.89%的加权准确率,证明了深度学习模型在害虫识别领域的有效性。（3）鉴于Mobile Net在HAULP31数据集上的优异表现,本文基于RMSprop、SGD、Adam三种梯度下降优化算法,调整优化超参数继续探索Mobile Net在HAULP31数据集上的建模优势。经不同超参数优化后的Mobile Net性能均有不同幅度的提升,其最高加权准确率达到了99.76%,在以训练时间为代价的基础上,进一步提高了模型的分类识别能力。（4）为进一步检验模型的实际应用能力,初步在真实野外农田环境下部署了远程昆虫监控设备进行实验,通过自动诱捕昆虫并拍摄其图像传输至远程服务器实现数据采集。使用Mobile-LP31模型对野外环境下的害虫图像进行分类识别,其加权准确率为75.11%。结果表明本文的模型具有一定的实际应用效果,HAULP31数据集对农业生产中虫害防治问题具有一定的建模价值。