柑橘溃疡病是柑橘类植物的一种重要的检疫性病害,感染性强、传播速度快。通过人工肉眼识别的方式效率低、模糊度高,使用图像识别技术检测柑橘溃疡病可以大量的节省人力物力。使用图像识别技术检测柑橘溃疡病中存在以下问题:1)样本很难获取,而且采集的数据还存在不均衡的情况; 2)使用传统的机器学习方法进行识别的时候,特征是由人工设计的,它们对光照变化、背景比较敏感,因此识别率低; 3)卷积神经网络是目前使用较多的图像识别方法,但是模型通常比较复杂,消耗内存和计算时间。为此提出先使用卷积神经网络模型Alexnet对柑橘溃疡病进行识别的方法,然后在保证准确率基本不变的情况下,优化网络模型结构,减小网络参数。实验结果表明,使用卷积神经网络后,它对正样本、负样本的识别率达到了98%以上,超过了决策树、k最近邻(k NN)、支持向量机(SVM)、Adaboost等传统的机器学习方法。同时,在使用减少全连接层和减少卷积层两种优化网络模型的方法后,识别率基本不变,网络模型的参数得到了减少,使得识别速度分别提升为原来的1. 7倍和2. 2倍。