农林业是我国重要的基础产业,能将生态效益、经济效益、社会效益集于一体,对解决粮食短缺问题和提高农民经济发展水平有着重要的促进作用。然而,受到气候变化及农作物布局调整策略等因素的影响,农林产业往往会遭受大量害虫的侵扰,这无疑成为了制约农林业快速发展的一大阻碍。通过使用大量的农药虽然在一定程度上减少了害虫的影响,但难免会对土壤、地下水、大气环境等造成污染和破坏,而非科学地使用农药的部分原因在于农民没有掌握有效的防治信息,尤其是对害虫的种类,害虫爆发的严重性等信息难以准确地获取。因此,健全害虫监测体系对农林业的可持续发展有着重要意义,其中,对害虫的准确识别是害虫监测的基础。传统方法中依靠人工识别监测害虫存在劳动强度大、效率低、实时性差等问题,随着计算机图像处理技术的不断发展,为寻求一种高效、客观且具备实际应用价值的解决方式,本文将深度学习的目标检测技术引入害虫检测任务中,并进行了如下研究:（1）通过实地采集和互联网搜集复杂环境下的害虫图像,构建了一个包含16种常见害虫的数据集共6722张,并对其进行标注和划分。为解决后续训练过程中可能因数据量不足而产生的过拟合问题,将图片数量进行扩充,达到了31997张,该数据集可被应用到与害虫相关的检测领域中。（2）以一阶段检测算法SSD为基础,提出了一种基于循环注意力的一阶段目标检测器。该算法将Res Net-34与提出的循环注意力模块相结合,在保持较高检测速度和强大分类能力的同时,探索了影响检测器对小目标检测效果不好的因素,实现了对小尺寸对象和重叠对象的良好检测效果,在PASCAL VOC上达到了82.5%的m AP。为了使该方法在本文的害虫数据集上达到最好的识别效果,调整了算法中先验框的尺寸和长宽比,检测结果达到了88.7%的m AP。（3）因害虫检测任务中最重要的就是识别的准确度,为了追寻更高的识别精度,在二阶检测器Faster R-CNN的基础上对其进行改进。首先选取了高效的Vo VNet作为骨干网络。然后针对FPN存在的缺陷进行改进,先通过在融合前的特征上添加相同的监督信号来缩小特征间的语义差距,以便接下来更顺利地融合特征,接着对因下采样造成信息丢失的顶层特征进行增强,再用一种平衡语义的方式进一步提高特征的表达能力。最后,采用一种自适应锚框的方式为检测对象提供更准确的预测结果。实验证明了各个部件的有效性,在PASCAL VOC数据集上达到了83.2%的m AP,结合数据增强策略,最终在本文的害虫数据集上达到了92%的m AP。