水稻病害是影响水稻产量和品质的主要因素之一,因此准确、快速地识别水稻病害尤为重要。传统机器学习方法对简单背景的水稻病害图片有较好的识别效果,但是对自然环境下的复杂背景的水稻病害图片识别效果较差,本文提出了基于改进Inceptionv3和迁移学习的水稻病害识别方法,实现对自然环境下的水稻病害图片的识别。主要研究内容包括以下方面:(1)对Inceptionv3模型进行改进。利用LeakyReLU函数代替Inceptionv3模型原有的ReLU函数,并引入dropout算法。利用水稻病害数据集分别训练Inceptionv3 和改进 Inceptionv3,比较 Inceptionv3 与改进 Inceptionv3 对水稻病害的识别结果,实验证明,改进Inceptionv3对水稻病害的识别结果更准确。(2)利用PlantVillage数据集训练改进Inceptionv3模型,使模型具有提取叶片病害特征的能力,将其权重参数作为目标模型的初始参数,再利用水稻病害数据集对目标模型进行训练,调整模型参数,使改进Inceptionv3模型可以准确识别水稻病害,分析对比改进Inceptionv3结合迁移学习和改进Inceptionv3对水稻病害的识别准确率。(3)利用Python语言的flask框架搭建水稻病害识别系统。实验结果表明:改进Inceptionv3结合迁移学习的方法对小样本水稻病害数据集的识别准确率有较好的提高,识别准确率可以达到97.86%,并且对解决过拟合问题也有明显效果。