粮食问题关乎国计民生,全国每年因害虫危害而造成的粮食损失量最高可达600万吨。因此储粮害虫识别研究是目前防止仓储粮食产量损失的主要研究方向。目前实时自动识别害虫技术仍然处于研究阶段,还没有在国内粮仓得到普及应用。针对该问题,论文深入探讨了图像处理技术与卷积神经网络(CNN)算法在害虫图像识别分类技术中的优越性,采用了当前较流行的Keras框架,即利用主流神经网络API,先后搭建了七层与九层卷积神经网络模型,深入研究了九层卷积神经网络模型参数设置。将预处理后的害虫图像数据集分别送入七层卷积神经网络模型与改进后的九层卷积神经网络模型,通过实验对比分析,分别得出了害虫识别最佳准确率,通过对最佳准确率的对比,验证了改进后的九层卷积神经网络模型的有效性,对储粮害虫的实时识别做出了一定贡献,主要完成内容如下:(1)获取害虫图片,对图片进行筛选整理,将整理后的图片进行灰度化、图像增强及图像分割处理,整理害虫识别图像数据集;(2)搭建卷积神经网络模型。在Keras框架下运用Sequential模型,Softmax分类器,调整不同的激活函数Tanh函数、Softsign函数以及Relu函数,搭建七层卷积神经网络模型与九层卷积神经网络模型,并对九层卷积神经网络模型进行参数优化;(3)对比分析不同卷积神经网络模型下的识别准确率。将预处理后的害虫图像数据集先后送入七层卷积神经网络模型与改进后的九层卷积神经网络进行识别分类。实验得出,在七层卷积神经网络下,不同激活函数不同迭代次数,识别准确率分别为87%,79%,80%;在改进后九层卷积神经网络下,不同激活函数不同迭代次数,识别准确率分别为83%,83%,98.6%。通过对比得出改进后九层卷积神经网络模型的有效性。