作物病虫害已然成为了世界范围内粮食减产主要原因之一。中国近五年全国玉米种植面积持续下降，单产水平偏低，而由于作物栽培耕种环境变化、玉米致病病原体变异以及农药滥用，玉米叶部病害成为了减产的主要因素，玉米产需缺口逐步扩大。因此，对玉米叶部病害进行及时、有效地处理已成为重中之重。
　　玉米病害具有不同的叶片表型特征，可将其作为识别病害的主要依据。传统叶部病害识别方法依赖专家知识与经验，主观性较强，诊断周期长。深度学习方法中，卷积神经网络(Convolutional Neural Network，CNN)具备良好的图形特征提取性能。迁移学习(Transfer Learning，TL)在小规模数据集上具备优秀的表现。深度-迁移学习(Deep-Transfer Learning)方法保证了病害识别的准确性、客观性以及实时性，且平衡了训练成本与模型规格。
　　本文基于深度-迁移学习实现了对玉米叶部病害的识别，并研究了不同源领域CNN模型在迁移学习中的表现。研究工作主要包括:
　　(1)研究多结构、多深度卷积神经网络在多作物多病害数据集PlantVillage上的性能。通过进行数据在线与离线增强以进行数据增广，设置Dropout以及L2正则化以减少模型过拟合以及选用合理的激活函数(ReLU、ReLU6)与优化器(Adam)等方式优化模型，ResNet与MobileNet在PlantVillage数据集上的平均识别准确率分别达到99.48％和98.69％，更适合迁移学习至本地玉米叶部病害数据集上;同时两网络结构的参数量更少，模型规格也比其他模型更小，更适合搭载于移动端设备。
　　(2)研究ImageNet与PlantVillage两源领域上训练的卷积神经网络预训练模型在自建玉米病害数据集上的识别效果。将ResNet和MobileNet在ImageNet和PlantVillage数据集上的预训练模型分别迁移至本地自建玉米病害数据集上，并分别依照参数冻结和参数微调的方式训练。与目标领域更相近的PlantVillage预训练模型获得了更高的识别精度。在得到的8个迁移学习模型中，基于PlantVillage数据集的MobileNet微调模型获得了最高的平均识别准确率，为99.11％。
　　(3)研究基于深度-迁移学习的玉米叶部病害识别过程中，源领域数据集对模型训练特性的影响。经参数微调后的模型，不仅训练效率得到提升，其平均识别准确率也均有提高:基于ImageNet的ResNet和MobileNet模型分别提升了2％和0.84％，而基于PlantVillage的ResNet和MobileNet模型分别提升了2.7％和2.2％。基于PlantVillage的MobileNet模型F1分数为0.9915，在全部8个迁移学习模型中性能最优。