目前国内外正面临严重的粮食危机,及时准确地掌握植物病虫害的类型、严重程度及病害发展状况能够有效减少病害对农林业生产造成的经济损失。基于传统计算机视觉和图像处理的植物病害识别方法需要复杂的图像预处理和特征工程,其实用性和识别效果不够理想。基于深度学习的植物叶片病害识别方法具有精度高、速度快等优点,为植物病虫害的准确快速分析提供了有效的技术手段。然而,现有的植物病害识别深度学习模型主要依赖通用的人工设计的网络结构,难以满足快速准确植物病虫害识别的应用需求。针对该问题,本文研究基于神经网络结构搜索的植物叶片图像病害识别方法,主要研究内容如下:(1)研究基于神经网络结构搜索的植物叶片图像病害识别方法。首先分析神经网络结构搜索方法的基本组成和工作原理,包括搜索空间、搜索策略和性能评估策略;然后构建基于贝叶斯优化指导网络态射的神经网络结构搜索方法;最后采用包含14种作物和26种病害共54306张的公开PlantVillage植物病害图像进行了实验,利用植物病害症状图像数据库中的包含真实场景和固定背景下拍摄的玉米病害叶片数据集对模型的泛化能力进行了测试。实验结果验证了本文提出方法的可行性和有效性。(2)通过对训练数据进行平衡处理及灰度变换,分析神经网络结构搜索对数据平衡问题及图像在缺乏颜色信息时对神经网络结构搜索和识别的影响;对神经网络结构搜索过程设置不同的搜索时间和初始网络结构层数,研究神经网络结构搜索得到的模型对植物病害识别的影响;采用番茄病害数据集和玉米病害数据集分别进行实验。结果表明本文方法能够在较短时间内搜索到性能良好的网络结构,训练样本数据是否平衡对识别结果影响较小,样本数据的颜色信息有助于提高病害的识别结果,初始网络结构的卷积层数对神经网络结构搜索最终生成的最优网络结构几乎无影响。(3)针对细粒度病害图像识别问题,一方面对神经网络结构搜索方法进行改进,将LeakyRelu函数作为神经网络结构搜索中的激活层;另一方面采用随机裁剪、翻转等数据增强技术分别对番茄病害图像和苹果病害图像进行数据扩充;对改进前后的神经网络结构搜索方法得到的实验结果进行对比分析。结果表明,本文采用的改进措施在一定程度上提高了细粒度病害图像的识别准确率。