精准、快速的番茄图片检测是番茄病害诊断和防治的基础,也是番茄产量和品质的重要保证。传统机器学习识别方法需要专业人员手动选取病害图像的特征,而选取特征的优劣直接影响模型的识别效果并且网络迁移存在相当大的困难。其次,手工选取的特征无法准确描述相近同一种农作物不同程度的病害之间的类别的差异,从而出现语义理解差异的问题,病害检测与识别方法较为单一且没有对细粒度的番茄病害进行研究。对此,本文将卷积神经网络与迁移学习引入细粒度的番茄病害识别中,主要的研究内容和创新点有:(1)针对手工提取的特征存在语义理解偏差的问题,本文研究了基于卷积神经网络的番茄病害识别方法。本文一方面构建三种不同的卷积神经网络,探讨了两种不同的数据增强方式对番茄病害识别结果的影响。另一方面,探索不同的mixup比例对番茄病害识别准确度的影响。实验证明,基于mixup数据增强后数据集训练的卷积神经网络对番茄病害分类效果更好且mixup比例为0.4时更适合模型训练。(2)针对利用迁移学习参数初始化网络以提高番茄病害识别准确率的思想,本文研究了基于迁移学习的番茄病害识别方法。本文采用了Inception-v3、Xception、Dense Net、Res Net四种单一的卷积神经网络上对番茄病害进行迁移学习。通过参数微调并使用focal loss损失函数对网络进行优化,缓解了数据不均衡造成的网络模型退化的风险并进一步提升了番茄病害识别准确率。(3)针对单模型对细粒度番茄病害提取特征不充分的缺陷,本文探讨了基于特征融合的番茄病害识别研究。为了充分利用不同的网络模型语义信息,本文选取了四种不同的网络,通过将不同网络提取的特征进行融合,获取不同的融合模型。并在此基础上将网络融合模型与最优单模型集成,进一步提升了番茄病害的识别准确度。以此为基础,本文构建了基于多模型集成的番茄病害识别系统,为将来对番茄病害进一步深入研究打下良好的基础。