将先进的计算机技术与昆虫识别结合一直是动物学家研究的热门话题。我国作为农业大国,减少害虫对农林作物造成的经济损失,增加有益昆虫对农林作物带来经济效益是我们一直研究的内容。昆虫识别有利于推进我国的农业的发展。现阶段我国昆虫识别研究主要是基于传统目标识别方法,传统目标识别主要由图像预处理,图像特征提取和图像识别分类三部分组成。其中特征提取的过程主要依赖人工设计的提取器,泛化性和鲁棒性较差。且传统方法主要使用的数据集为昆虫的标本照,不具有代表性。针对传统方法在图像识别领域的不足,本文以对农、林业危害较大的自然环境下的鳞翅目类昆虫为识别对象,采用深度学习方法对昆虫识别进行深入研究。主要工作如下:（1）通过使用公开数据集和使用网络搜索的方式,整理本次研究需要的鳞翅目类昆虫数据集,并通过数据增强技术对数据集进行扩充,建立可供深度学习训练的数据集。（2）分别使用当前性能较好的单阶段目标检测算法YOLOv5和双阶段目标检测算法Faster R-CNN进行实验,根据得到的实验结果进行对比分析,选出适合本次昆虫图像识别的算法YOLOv5。（3）针对复杂自然界环境中昆虫图像特征不明显,不充分的问题,增加了改进版的注意力机制GAM,通过关注目标的有用信息,抑制其他无用信息,提高了信息处理的效率和准确性。对于一些小尺寸的昆虫在图像中所占像素太少,提取特征不明显的问题,增加了小目标专用检测层,从而改善了对小目标特征提取性能,有效改善小目标出现的漏检情况。对于昆虫图片背景很大但是昆虫目标很小导致标注数据的边界框分布的范围很广,而且框的宽和高的比值分布不均匀的问题,使用K-means算法用来计算新的锚点,这样生成的边界框更适合本次研究,从而提高目标检测识别率。使用CIo U损失函数来作为本次实验的损失函数,提高了识别的精度。通过实验对比分析,增加GAM注意力机制、增加小目标专用检测层、使用K-means算法和改进损失函数分别使识别精度得到2.17%、1.5%和0.6%的提升。（4）设计并开发了基于PyQt5的可视化界面。该界面通过选择图片,开始识别,输出检测结果,停止识别这四个步骤组成,进行识别验证结果,从而更加直观的呈现对昆虫的识别效果。