苹果赤霉病、灰斑病和雪松锈病是苹果叶片常见病害,快速诊断和准确鉴定这些病害对苹果生产的发展具有重要意义。利用深度学习的方法,本文采用了图像分类和目标检测两种方式,通过集和整理网络开源植物病害数据集和实地采集两种途径获取3种苹果叶片图像作为研究对象,展开苹果叶片病害识别与病斑检测研究。目的是为了可以准确、快速的识别出病害类型,识别与检测模型的深入研究具有重要的理论和使用价值,为植物病害的自动诊断提供技术支撑。结果如下:（1）正确识别苹果叶病种类,是提升苹果产量和保障苹果品质的关键一环,本文选用Vgg16、Vgg19、和Inception v3三种预训练网络模型进行迁移学习,为了提升模型的鲁棒性和泛化能力,对迁移模型进行了一系列的参数调整和优化,经过试验对比分析,以Inception v3预训练模型的迁移学习结果明显优于Vgg19和Vgg16两种预训练模型,其模型精度在测试集上达到87.3%。（2）苹果叶病的出现往往是多发的,单个苹果叶片可能存在多种病害的侵染。本文以苹果叶病的病斑为识别目标,构建了多种目标检测模型,以期实现对单叶片或多叶片病害的全面识别。通过对苹果叶病图像数据的手工标注,选用Yolo v4、SSD及Efficientdet三种目标检测预训练模型,在经过参数调整,模型结构优化后进行再训练。实验结果表明,在真实自然环境下取得的苹果多叶片图像数据集上,基于Yolo v4的目标检测模型取得了最好的训练效果,其m AP值为83.34%,同时模型在单叶片单病害的检测精度更高,模型可以满足实验室单叶片单病害和自然环境多叶片多病害的病斑目标检测的需求。