随着人口的增长和耕地的减少,农作物的产量越来越重要。将深度学习应用在农作物病虫害分类上,可以及时、准确地发现病虫害,对提高农作物产量具有极大的意义。本文的数据集共有2个。一个是水稻数据集,约有500张图像,10个分类（10种常见的水稻疾病,调研了症状和防治措施）,全部拍摄于真实农田环境。另一个是PlantVillage公共数据集,共有54306张叶片图像,其中有14种植物,38个分类（包括健康的样本）。针对真实野外复杂背景条件下的水稻病害图像数据集,本文基于Laplace边缘检测算子、形态学方法和OTSU,提出了一种新的图像分割流程,步骤为:1.将原图进行灰度处理;2.用边缘检测算子对原图的灰度图像做处理;3.形态学方法处理;4.使用OTSU方法进行前后景分割;5.描绘轮廓;6筛选出具有最大外接矩形的轮廓;5.对原彩色图像做罩层抠图,得到最终结果。实验表明,这种算法能够有效地从复杂背景中提取水稻的病变部位,并最终提升模型的分类准确率。本文在2个数据集上采用二阶段训练法分别5个改进模型做迁移学习。通过对比最终结果,得到了如下结论:1.二阶段训练在提升和稳定准确率上具有优势;2.InceptionResNet-v2在水稻数据集上获得了最高测试集准确率94.93%,是最容易迁移成功的模型,MobileNet-v2虽然不够稳定,但是模型的体积最小,训练时间最短,准确率高,在PlantVillage数据集上获得了最高测试集准确率99.74%,是可应用性最好的模型;3.NASNetMobile对数据集大小敏感程度最高,需要大数据集和较长的训练时间才能得到不错的结果。本文还对比了其他使用PlantVillage公共数据集的论文结果,与大部分结果相比,本文在分类类别数更多的情况下仍然获得了更高的准确率。DenseNet的准确率仅比MobileNet-v2高0.01%,但是MobileNet-v2的体积和模型深度都小于DenseNet,可应用性更强。本文还做了迁移学习对比实验,证明了使用预训练模型配合模型改进可以加快模型收敛,在相同的训练代数下。使用预训练模型配合模型改进可以得到更高的准确率。最后,本文结合改进的模型,设计并实现了一个病虫害识别系统。