番茄是我国重要的蔬菜作物,栽培面积和总产量均居世界首位。在番茄植株的整个生长过程中,除了受地域的天气因素影响之外,各种病害对番茄的质量和产量影响最大。如果不能在病害侵染植株后准确的对病害类别进行判断会造成番茄减产带来巨大的经济损失,因此如何在番茄发生病害后快速准确地识别其病害类型具有十分重要的意义。传统的人工检测需要诊断者拥有丰富的知识储备和相关经验,这种方法泛化能力差且准确率无法得到保证。随着技术的发展,深度学习在图像识别方面取得了良好的效果,被广泛应用于病害检测等相关领域。将深度卷积神经网络应用到番茄病害识别中,研究相关模型对番茄病害的识别效果。从“全球AI挑战赛”中收集了包含番茄褐斑病、番茄花叶病、番茄叶斑病、番茄叶霉病、番茄早疫病共5种常见番茄病害作为实验的数据集,构建了经典的VGG16和Inception V3深度卷积神经网络模型进行测试。为了防止模型过拟合对数据集进行了数据增强,添加了L2正则化和Dropout。对实验条件和超参数进行统一设置,实验结果表明两种深度卷积神经网络模型对番茄病害有良好的识别效果,但仍存在VGG16模型收敛速度较慢、参数量较大以及Inception V3模块较多等不足。针对上述不足,提出了一种基于分支和结构参数重构的网络模型。保留VGG16模型整体架构,引入分支结构替代原模块加快特征提取速度。在分支结构中使用分解卷积并在分解卷积之间添加1*1卷积进行小幅度降维,在保持特征图不损失分辨率的前提下增加非线性特性和模型深度。在网络浅层保留原3*3结构,添加1*1的并行卷积和identity分支,使用结构参数重构方法解耦训练和推理,并在模型的每个卷积层后都添加BN层进行归一化处理。改进后的模型在收敛速度、准确率和占用内存等方面都优于传统模型,具有良好的分类效果。基于改进后的模型构建了番茄病害识别系统,用户可以将需要检测的病害图片进行上传,系统会反馈相应的病害识别结果,方便用户使用。