农业作为中国最重要的产业之一,已经成为了国民经济的基础,农作物产品的多与少、质量的好与坏直接影响着人民的日常生活水平。由于农业生产在我国的现代化经济发展中占据着举足轻重的地位,因此病虫害的监控和防治工作就显得极为重要。农作物病虫害的防治工作中首要并且最主要的一点就在于如何对危害农作物的病害以及虫害进行准确快速的识别,从而保证农作物的正常生长。本文提出了基于深度卷积神经网络的识别技术,在提高识别准确率的同时,也提高了识别的效率。本文分析了卷积神经网络技术以及农作物病虫害识别的国内外研究现状,以卷积神经网络的相关理论为基础,主要进行了如下研究:(1)针对传统的人工识别方法工作繁琐、容易引起人为误差、病害有效面积不易统计、虫害逃逸以及模糊识别等技术预处理复杂、识别准确率低这些问题,本文提出了基于AlexNet和GoogleNet的农作物病虫害识别算法,这种基于卷积神经网络的识别方法,具有预处理简单,识别速率快,操作简便等优点。通过对比实验,基于AlexNet或GoogleNet的识别准确率维持在80%左右,相较于传统方法在识别准确率上有了较大的提升,并且网络具备训练速度较快,识别时间较短的优点。(2)在AlexNet与GoogleNet理论的基础上,本文提出了一种基于迁移学习与数据扩充的改进卷积神经网络。通过迁移从AlexNet网络学到的知识,结合GoogleNet网络的Inception模块,使识别准确率提升到了93%;通过数据扩充,识别准确率提升到了97%,这种改进的卷积神经网络可以充分满足实际应用的需求。(3)针对多用户、多种病虫害数据繁琐复杂,不利于相关研究等问题,本文设计并开发了智能作业数据平台,它包括智能手机终端与WebGIS服务器端。通过作业数据平台,不仅可以在手机上实时进行病虫害识别、管理数据等功能,还能在服务器端进行数据接收以及GPS信息管理等操作,对于帮助相关技术人员进行复杂的研究工作具有重大的意义。