脓病（血液型脓病）是养蚕过程中发病频率高和传染性极强的一种家蚕病害,也是造成我国蚕茧减产的主要原因。现行的脓病防治方法主要是抗脓病品种的选育,大量使用消毒液对蚕房和蚕具进行严格消毒,以及饲喂时向蚕座中铺撒石灰粉抑制病原滋生,当出现病害传播时由人工观察预警和防治。然而,品种选育方法存在耗时长和推广范围有限的问题,消毒防治和人工预警的方法只适用于传统的手工养蚕,随着我国养蚕业逐步转向以机械化饲育为主,亟需一种脓病预警和防治的新方法。对此,本文结合在相同的生长阶段下,患脓病家蚕会与健康家蚕表现出不同的视觉特征,以及深度学习技术在视觉领域展现的优异性能,提出采用卷积神经网络对患脓病和健康家蚕图像进行检测的方式,提供一种家蚕脓病预警和防治的新方法,主要完成的工作包括:（1）构建了家蚕脓病检测图像数据集。采用饲养和感染病原的方法,集中获取了家蚕品种川山×蜀水在部分生长阶段下的健康样本和患病样本。采用人为放置数量不等的患病家蚕与健康家蚕在背景上的方式,模拟病害滋生早期需及时预警和防治的现象,在自然环境下采集原始图像941张,构建了家蚕脓病检测图像数据集。使用标注工具对数据集中所有家蚕的类别和位置进行了标注,共标注健康家蚕1493只,脓病家蚕1479只。（2）进行了家蚕脓病检测算法的设计。对卷积神经网络的基本结构与运算流程进行了阐述。以单步检测原理的代表算法YOLO v3为基础,在对本文数据集分析以及试验的基础上,通过缩减网络结构的方式进行了家蚕脓病检测算法的设计。并对缩减算法的网络结构、数据编码方法、预测结果解码和筛选过程等进行了阐述。采用K-Means算法对数据集中家蚕的位置框信息进行聚类运算,得出了适宜本文数据集的先验框尺寸。（3）开展了家蚕脓病的检测试验。进行了卷积运算可视化试验,结果表明卷积神经网络能在复杂背景下自动提取家蚕图像的特征,且迭代能够有效增强网络的特征提取能力。以网络在测试集上的平均检测精度（m AP）和检测时间为评价指标,进行了超参数对检测的影响试验,结果表明不同的超参数会对检测结果产生较大影响,且当学习率为0.001（动态）,优化器为Adam和较小的batch＿size值时,网络的收敛性能和检测效果最佳。进行了参数层对检测的影响试验,以YOLO v3为基础框架,采用逐步增加参数层的方式,构建了18种不同的网络进行测试,结果表明在一定范围内增加参数层能够提升平均检测精度。在相同参数层上,卷积核的数量过多会造成训练参数量的显著增加,但不能确保检测精度的提升。进行了缩减算法与标准YOLO v3对比试验,结果表明本文的修改方法能够提升网络的运算速度,平均检测精度为94.77%,单张图像的平均检测时间为0.031 s,两项指标均优于标准的YOLO v3算法。（4）开发了家蚕脓病检测预警软件。进行了软件功能需求分析,进行了软件的界面和功能函数程序设计,并将缩减的YOLO v3算法和预训练权重文件部署到预警软件中。软件共设置有3种工作模式,可分别对摄像头实时视频、本地视频和本地图片进行检测,当检测到患脓病家蚕后自动显示出预警信息。软件还能够对检测的图像和结果文本进行保存,便于扩充数据集,优化和改进算法。本文研究结果表明,卷积神经网络能够实现对健康家蚕和脓病家蚕图像的高效准确检测,可为机械化养蚕模式下的病害预警和防治提供了一种新方法,具有十分广阔的应用前景。