我国是农业大国,农业发展关乎国民生计与社会稳定,但高频爆发的虫灾使我国农业高质量发展面临严峻挑战。实时、准确监测害虫情况,对害虫科学防治,助推农业高质量发展具有重要意义。目前,虫害监测主要依靠人工方式对害虫进行识别和计数。这种方式劳动量大、专业性强、效率低、实时性差,难以满足虫情监测需求。为实现自动害虫检测,满足高精度、实时虫情监测需求,本文进行了基于深度学习的作物害虫检测方法研究。研究主要内容如下:（1）害虫检测数据集构建。面对害虫检测领域缺乏公开可用数据集的现状,本文参照公开目标检测数据集格式构建了用于害虫检测方法研究的多目标检测数据集Pest6。Pest6数据集由采集自实验环境和自然环境下的9173张图像构成,包含6个害虫类别,42527个害虫样本。其构建过程对其他检测任务数据集构建具有一定借鉴意义。（2）基于深度学习的害虫检测方法研究。通过对典型目标检测方法的分析与对比,本文选择检测精度高、速度快的SSD算法进行害虫检测方法研究,并构建了改进的KF-SSD算法。该算法针对害虫检测任务目标小、样本粘连、重叠等情况从网络结构、先验框设计、后处理方法三方面对SSD算法进行改进。网络结构方面,针对小目标检测,仅选择38×38,19×19,10×10三个大尺度的特征图进行预测,并设计特征融合结构弥补大尺度特征图特征提取能力的不足。先验框设计上,采用两种距离度量的K-means算法分别对真实边界框的长宽比和尺度聚类,设计适合当前检测目标的先验框。后处理部分,采用Soft-NMS算法替代NMS算法进行非极大值抑制处理,改善粘连、重叠目标的漏检、误检情况。（3）实验验证与分析。为测试改进方法的有效性,我们利用Pest6数据集进行了实验测试。测试结果显示,改进的KF-SSD算法,检测精度mAP从86.62%提升到91.76%,检测速度与SSD算法无明显差异,算法对害虫检测中的小目标、目标粘连、重叠情况有良好的检测效果,能够满足高精度、实时害虫监测的需求。验证结果分析发现:网络结构改进,提升了模型对小目标、遮挡目标、复杂环境目标的检测效果;先验框设计,加速了模型训练,提升了模型在目标密集、重叠、粘连情况下的检测效果;后处理改进,使得模型能够有效抑制虚假检测目标,改善误检情况,并且可获得更准确的边界框。改进的KF-SSD算法在害虫检测方面具有可迁移性。在数据量充足的情况下,构建更加完备的害虫数据集,可实现更多种类害虫的检测,能够为农业虫情监测、预警提供可靠数据支持,助力农作物害虫科学防治,推动农业高质量发展。