“民为国基、谷为民命”,国家的社会发展和经济建设离不开农作物的生产。当前,在农业领域一个重要的研究方向是如何通过育种提高农作物的抗逆性,例如抗旱、抗寒、抗盐、抗虫害等。在传统的水稻育种过程中,往往需要人工识别叶片的疾病并评估疾病的严重等级,根据识别的疾病类型和严重等级挑选抗病能力强的种子作为培育对象。因此在识别水稻病害的工作上,如何自动化、智能化地检测疾病并精确表征患病程度极其重要。（1）针对轻量级卷积神经网络识别水稻叶片精度低的问题,本文提出了一种结合类激活映射的轻量级水稻病害识别方法,该方法利用图像处理技术对类激活图的高响应区域进行分割,再使用类激活方法生成类激活映射图,模型训练时使用主网络训练原始图像,辅助网络训练映射图像,同时辅助网络也能对主网络进行监督学习,增强了主网络的泛化能力,有效提升了轻量级网络的识别精度。将训练完成的模型部署到移动端,在移动端识别单张图像的耗时仅44.9ms,满足实际需求。（2）针对稻瘟病这一常见水稻疾病,需要在病害防治中表征其严重程度,因此,获得稻瘟病斑的面积参数意义重大。考虑实际水稻数据采集场景,本文优化U-net作为基准模型,使用图像处理技术改进了一种深度学习的图像增强算法,使该算法更符合真实场景,并基于此提出了一种改进U-net的稻瘟病斑分割方法,该方法与常用分割方法以及原始的图像增强方法相比,在召回率、F2-分数评价指标上表现更好,满足实际表型的精度需求。（3）考虑到野外识别和移动端设备性能有限的问题,本文基于U-net网络,融合Shuffle Net V2网络的模块以及通道注意力机制,提出了一种轻量化稻瘟病斑分割模型的方法。在保证精度的情况下,实现了对稻瘟病斑的轻量化分割,部署在移动端的模型分割单张图像耗时为8.8s,符合实际分割要求。