作物病害是导致作物不良生长发育的重要因素,因此准确地识别作物病害的种类并采取针对性的措施是非常有必要的。在传统病害检测识别中,农户主要依赖于人眼观察并且习惯于靠经验进行诊断。但是该方法耗时长,主观性较强,并且误判率高。因此采用智能化手段对作物病害进行识别具有积极意义。所以,本文主要采用卷积神经网络进行迁移学习对作物叶片病害进行分类研究,并通过引入集成学习的策略提高识别作物病害的准确率与识别精度。本文主要研究内容及结论如下:1.本实验研究对象主要选用4种作物的11类病害数据集,共计图片20637张。首先通过使用Le Net、Alex Net、Res Net-18、Res Net-50、VGG16和Xception六个网络模型分别在SGD优化器（随机梯度下降优化器）下对4种作物11种作物叶片病害数据集识别的效果进行比较和分析,可得Res Net-18、Res Net-50、VGG16和Xception四种网络模型对作物叶片病害识别的准确率较高。2.由于在上述实验中,发现六种网络模型的精确率、召回率和F1值较低,通过研究超参数batchsize对模型性能的影响,对比四种网络模型在batchsize=8和batchsize=16的精确率、召回率和F1值,可得出当batchsize设置为16时,模型的准确率均得到轻微了提升,同时模型的精确率、召回率和F1值得到了15%-29%的巨大提升,使得网络模型的整体性能更好,因而使用较大的batchsize可以有效提高模型的整体性能。3.探究不同优化器对作物叶片病害识别的影响。通过做Res Net-18、Res Net-50、VGG16和Xception四个网络模型分别在SGD优化器（随机梯度下降优化器）、RMSprop优化器、Adam优化器（自适应时刻估计法）下进行作物叶片病害识别的实验,对实验结果进行对比分析可得出,使用Adam优化算法进行模型优化时其优势最为明显,实现了最高的分类准确率,以及更高的精确率、召回率和F1值。4.通过上述实验,可得出在作物叶片病害识别与分类中,使用Xception网络模型在优化器为Adam以及batchsize设置为16的情况下,对叶片病害识别的准确率在测试集中达到了99.74%,精确率达到了80.05%,召回率达到了80.70%,F1值达到了80.25%。5.引入集成学习策略优化对作物叶片病害的识别与分类。通过将Res Net-18、Res Net-50、VGG16和Xception四个网络模型以不同的组合方式进行集成,对4种作物的11种叶片病害进行识别与分类实验。实验结果证明通过集成学习方法可以提高分类器的整体性能。并且增加子分类器数量或增强子分类器的性能可以提高集成分类器的整体性能。6.通过对比所有集成分类器的实验结果,最终可得基于Res Net-18、Res Net-50、VGG16和Xception四个子分类器进行集成,构成的集成分类器达到了最高99.93%的识别准确率、最高的83.98%的精确率,最高的84.55%召回率以及最高84.26%的F1值。验证了本文提出的基于集成学习的作物叶片病害识别方法相较于单一卷积神经网络是更优秀的。