本文针对香菇菌棒培养过程中易受霉菌病害感染,人工挑选病害棒存在工作量大、挑选不及时且不准确的问题,结合山东某公司的实际需求,依托山东省重大科技创新工程项目——食用菌智慧工厂化生产关键技术研发与产业化,基于深度学习Res Ne Xt模型和YOLOv4模型,提出了基于深度学习的香菇菌棒病害识别方法,主要工作与结果如下:（1）构建了香菇菌棒病害数据集。于2021年7月-2021年9月在山东某公司智慧工厂培养棚内使用Canon相机实地拍摄香菇菌棒病害图像,并在培养棚内增加图像采集设备,采集视频15个,拆分成帧、采样。两种采集方法式采集了942张黄曲霉病害菌棒图像、893张绿霉病害菌棒图像、664张链孢霉病害菌棒图像、1179张正常菌棒图像,共计3678张香菇菌棒图像并完成标注。（2）为了实现对品质管理人员和生产人员在系统内上传的香菇菌棒图像的病害识别与分类,提出了一种基于ECA-Res Ne Xt网络的香菇菌棒病害识别算法。本文在Res Ne Xt50模型的基础上,引入了ECANet通道注意力机制,并设计了6种全连接层的微调策略,完成对Res Ne Xt50模型全连接层的修改。ECANet注意力机制并行嵌入方式可以让Res Ne Xt50模型关注到更丰富的图像局部信息,而全连接层的修改为Res Ne Xt50模型识别准确率带来了更好的提升效果。实验结果表明,提出的基于ECARes Ne Xt网络的香菇菌棒病害识别算法有效地提高了香菇菌棒病害图像识别准确率。（3）为了在菌棒刺孔设备上进行轻量化目标检测模型部署,实现对香菇菌棒监控视频的实时病害检测,提出了一种基于Ghost-YOLOv4的香菇菌棒病害目标检测算法。该算法将YOLOv4的主干特征提取网络替换为轻量级网络Ghost Net,同时完成了对YOLOv4加强特征提取网络PANet和Yolo Head模块的修改,减少了网络的参数量,提高了网络的检测速度。同时,特征提取网络引入迁移学习预训练模型,减少了模型的计算压力和过拟合问题,进一步提高了Ghost-YOLOv4网络的性能。所构建的Ghost-YOLOv4在保证香菇菌棒病害检测准确度同时,在检测速度和实时性上也有更加良好的效果,为病害菌棒的挑选提供了有效的解决方案。（4）基于Springboot+Vue等技术,设计并研发了香菇菌棒病害识别系统。系统主要功能包括香菇菌棒病害识别管理、病害问题和原因分类管理、病害异常追溯管理、病害投诉管理等。系统实现了对香菇菌棒培养过程中病害的自动识别,为生产人员和验棒人员生产、调度、检验香菇菌棒品质提供了方便,提高了菌棒病害棒识别效率,节省了人力成本。