陕西作为国内苹果栽培面积最大、产量最多的省份,所种植的苹果品质居全国首位。为保证果实质量,在种植期间对苹果病害的防范是重中之重。传统除害方法是依靠人工生产经验判断苹果叶片病害类别,并进行相应除害操作。该方法不但要求农业专家具有丰富的病害识别经验和专业除害技术,而且实际操作效率低、人工成本高,并且在大规模果园种植中不能作为客观评判依据。为解决以上痛点,本文使用高效率和低成本的深度学习方法,按照先检测叶片、再识别病害的两阶段研究思路,构建了苹果叶片检测模型和苹果叶片病害识别模型。本文主要工作内容如下:（1）苹果叶片检测方法研究。本文采用Faster R-CNN检测模型作为苹果叶片检测任务的基础网络。首先手动标注六千余张苹果叶片图像用于训练YOLOv5s自动标注网络,再将两万余张未标注的图像送入该网络完成叶片自动标注,并人工核验后生成苹果叶片样本数据集。接着针对特征提取网络表达能力不足这一问题,提出使用特征金字塔网络用于融合多尺度叶片特征信息;然后针对Faster R-CNN算法中固定锚框不能充分地框选出不同尺寸叶片这一问题,提出使用K-means++聚类算法重新选取叶片锚框以适应样本中不同尺寸大小;最后针对样本中健康叶片面积占比小,导致该类叶片检测效果不佳的问题,提出使用ECA通道注意力模块将叶片特征进行跨通道交互。实验结果表明,本文所提苹果叶片检测模型提取叶片m AP为90.9%,其中病害叶片AP为95.6%,健康叶片AP为86.1%,较原Faster R-CNN模型提升了7.1%。（2）苹果叶片病害识别方法研究。本文使用改进的Mobile Net V3-s网络对第一阶段检测提取后的叶片图像进行病害识别。在苹果叶片病害识别模型中,首先创新性地提出集成残差结构、深度可分离卷积和通道置换的轻量化多通道特征融合模块,提高了模型对病害的特征提取能力;接着针对苹果叶片病害面积小和类间相似度高的识别难点,提出使用置换注意力SA模块以增强模型对病斑特征的关注度;最后使用组合的Center Loss+Softmax Loss损失函数提升网络对不同病变类型的分类效果。实验结果表明,本文所提苹果叶片病害识别模型准确率为98.17%,较改进前提升了2.75%,该模型对苹果叶片的不同病害有很好的识别分类效果。本研究对于专家指导种植户及时进行农业防治有一定的指导意义,对提高果实品质、增加果农收入以及保障苹果产业持续健康发展有着重要的工程价值。