松材线虫病是传染性疾病,感染范围主要发生在松树之间,其发病特点使松材线虫病具有致病性强、影响范围广的特性。针对这种疾病,及早确定治疗方案、快速统计受灾情况并且进行保险理赔是十分重要的。通过人工识别树木不仅速度慢,而且染病树木的病变颜色不一致会使人工识别率降低。如果检测树木群面积广,还会增加人工检测成本,错过松材线虫病的最佳治疗时机。因此快速高效的识别松材线虫病染病树木对于松材线虫病的防治十分重要。针对上述问题,在总结和分析已有的松材线虫病染病树木识别相关研究成果以及国内外相关研究现状的基础上,本文提出利用深度学习和遥感图像结合的方法,对染病树木进行快速高效识别和预测。主要研究内容和结论如下:（1）建立松材线虫病样本数据集。以湖北省宜昌市远安县嫘祖镇作为研究区,采集适用于本文研究的松材线虫病样本点数据,结合高分一号影像,建立了针对松材线虫病的图像数据集。数据集包含染病树木和非染病树木两种图像数据,解决了目前没有公开松材线虫病数据集的问题。为了达到网络模型对数据量的要求,对图像数据进行预处理以便扩充数据集数量,使其满足网络模型的训练标准,为实验研究提供数据支撑。（2）使用残差网络模型识别松材线虫病染病树木。为了选择合适的松材线虫病识别模型,设计五种残差网络模型,分别进行实验并对实验结果进行分析,证明了数据集可以作为本次研究的数据基础。使用准确率等评价指标对模型进行评估,最终选择Res Net18作为识别松材线虫病染病树木的基本模型。（3）对残差网络模型进行改进。在Res Net18模型的基础上设计一种有效的残差网络模型,并对优化方法做出改进。根据准确率等评价指标对模型进行评估,评估结果表明模型具有较强的稳健性,识别精度达到87%。与未改进残差模型相比,改进的残差网络在提升准确率上作用明显,对模型分类结果进行验证,证明模型较适宜应用于林业病虫害问题诊断。