植物病害严重影响植物的正常生长,因而导致产量的减少以及经济收入的下降,甚至影响到人们的饮食健康。所以,及时的判别植物病害的类别并且显示病灶区域以及分辨出病害严重程度才能采取有效的措施进行治疗和预防。深度学习由于其性能强大,在植物病害的研究中应用广泛,但是目前利用深度学习方法中对桃树病害的研究较少,所以本文构建桃树病害图像数据集进行研究,研究内容有以下三部分:1.用深度网络模型对桃树病害进行分类,本文构建的桃树病害数据集存有样本较少和和样本不平衡现象,在样本较少和样本不平衡的情况下,深度网络模型的分类准确率会变低,所以本文提出两种方法来解决此问题:一种方法是Xception模型+L2/L2M正则化,L2M正则化是在L2正则化的基础上提出的创新正则化表达式,主要解决样本较少带来的分类准确率低的问题;另一种方法是对样本加权,主要解决样本不平衡带来的准确率低的问题。实验证明两种方法相比原始模型都有较大提高。2.用深度网络模型对桃树病害进行分割,目前文献用深度网络模型对植物病害进行分割时是语义分割,虽然能很好的展现出病斑区域,但人们更希望在原图像上标记出分割的区域和病害名字。实例分割是既能实现目标检测的同时还能实现语义分割,可以解决此问题。Mask R-CNN及Mask Scoring R-CNN网络模型都是实现实例分割的模型。但网络中的一个步骤是训练前景和背景的分类,而前景和背景的样本存有不平衡样本和困难样本的情况,如果这个阶段的分类准确率不高会直接影响最终的分割结果,本文针对这样的问题提出在这个阶段使用Focal Loss进行改善,Focal Loss既可以解决困难样本带来的准确率下降的问题,也可以解决不平衡样本带来的准确率低的问题,经实验结果证明该方法可以有效提高分割效果。3.用实例分割的方法对桃树病害进行病害侵染等级评估,目前文献用深度网络模型对植物病害进行等级评估时,大部分是对样本进行标记病害的等级分类,然后再利用深度网络模型进行分类,输出的是病害的等级,此方法不能在视觉上看到图片中受害区域的情况。基于实例分割的出现和应用,本文提出用实例分割的方法对桃树病害等级进行评估,该方法首先对桃树病害的样本进行标记病害等级,然后用改进后的Mask R-CNN网络同时输出病害名字、等级结果和病灶区域的Mask。由于Mask R-CNN网络分割效果不理想,所以本文将该网络中的分割分支改为Refine Mask分支来提高分割效果,另外在主干网络中将Res Net模块改为多尺度的Res2Net模块,对特征的提取更加详细,从而对分割效果也有提高。本文建立了桃树病害图像数据集,首先针对样本不平衡或者样本较少的情况在损失函数优化方面提高桃树病害分类准确率,然后针对样本的前景和背景分类困难的情况使用基于Focal Loss的实例分割的方法对病害区域进行分割,最后利用改进的实例分割方法对病害进行等级评估并且同时输出分割结果,本文的研究为获取桃树病害的有效及详细信息提供了支撑。