柑橘是现代农业中的一种重要的经济作物,种植的地域范围广阔,营养丰富,深受人们的喜爱,然而柑橘种植业的发展,这么多年一直受到柑橘溃疡病的制约,也因此柑桔溃疡病被世界各国列为重要的检疫对象。图像识别技术能够实现高效率对目标图片的识别,而且成本低、环保、不受时间和地域的限制,对于柑桔溃疡病的自动识别与检测的研究意义重大。本文通过与植保专家合作,建立了一个柑桔溃疡病数据集,受到柑桔溃疡病自身的危害性、防治病害方法的严格性以及其他因素的制约,数据集中存在不均衡化的问题。本文通过数据增强与扩增的方法对数据集进行了预处理。然后使用卷积神经网络Alexnet模型与现有的算法及传统的图像识别算法进行实验对比分析,结果显示卷积神经网络的分类性能指标TPR、FPR,在不均衡数据集的敏感性方面均优于现有的算法和传统的分类算法。另外对于本文中小样本的问题,引入了迁移学习的方法,改善了卷积神经网络的分类性能,TPR从0.9725提升到0.9922,FPR从0.0077下降到0.0017。由于卷积神经网络模型的Alexnet在本文相对简单的应用场景下,存在着特征冗余的问题,针对这个问题,本文提出了三种方法对它进行改进,分别是简化网络的方法,改变网络结构的方法,对网络权值自动剪枝的方法。实验结果显示三种方法都有效的减少了网络参数、减少了网络占有的磁盘空间,并且没有降低网络的分类能力。三种方法从不同的角度出发,互不影响,在实际应用中可以配合使用达到最佳的效果。最后本文对模糊图像对柑橘溃疡病的识别影响的问题进行了研究,提出了结合图像质量评价系统IQA-CNN与自动识别系统,降低模糊图像对自动识别系统的不利影响。