农作物病害会影响农作物的品质和产量,给种植者带来巨大的经济损失,及时对农作物病害进行识别具有重要的现实意义。基于深度学习的农作物病害图像识别方法克服了人工识别方法的不足,结合了图像识别技术和深度学习技术两者的优势,具有良好的实用价值和应用前景。本文以提高农作物病害图像的识别准确率和模型的泛化性为目的,展开基于深度学习的农作物病害图像识别研究,重点研究了基于迁移学习的玉米病害和番茄病害图像识别,以及生成式对抗网络在图像翻译中的模型在玉米病害数据集中的应用。本文的主要研究内容如下:（1）针对小样本数据集条件下的农作物病害图像识别,提出了基于迁移学习的农作物病害识别方法,分别对玉米病害数据集和番茄病害数据集进行了实验。为了比较和分析相同的预训练模型和训练方式对不同农作物病害识别准确率的影响,本文对比分析了4种预训练模型、3种训练方式对4种玉米病害和9种番茄病害的识别结果。（2）针对农作物病害数据集样本数据采集及标注的不易、样本数据量小等问题,提出了将生成式对抗网络在图像翻译方面的模型应用到农作物病害数据集中。基于原有数据集,利用pix2pix模型生成新的病害图片,以此来扩充原始数据集,达到数据增强的效果。（3）对比分析了原始玉米病害数据集和加入了生成式对抗网络生成的玉米病害图片后组成的新玉米病害数据集在不同的预训练模型和训练方式下的实验结果,以此来评价利用生成式对抗网络扩充病害数据集的方法是否可行及其对识别结果的影响。