水稻是我国重要的粮食作物，水稻产量对国家粮食安全具有重要意义。水稻在生长过程中容易受到病害侵染，病害直接影响着水稻的产量与品质。水稻病害多发生于叶片部位，水稻病害的准确识别有助于农业生产者精准地实施防治措施。目前水稻病害识别主要依靠有经验的农技人员在田间现场辨识，该方法对农技人员专业知识要求较高，不仅会耗费大量人力物力，且判定结果主观性较强，误差较大，无法实现病害的精准识别，容易错过病害防治的最佳时机。因此，开展水稻典型病害识别方法研究，实现水稻病害准确诊断具有重要意义。
　　以黑龙江省庆安县久宏现代农业示范园区为试验数据获取基地，共获得了包含稻瘟病、条纹叶枯病、赤枯病和细菌性褐斑病4种不同水稻病害的图像数据。本文首先利用传统机器学习方法来实现病害图像的识别，并分析解释了该方法的缺点。其次，引入了经典的卷积神经网络(CNN)框架来对病害进行分类，有效弥补了传统方法的不足。然后，提出了轻量化的CNN结构，该方法有效规避了经典CNN计算过程中存在的参数量大，模型性能差的缺点。最后，为了实现CNN计算过程的信息充分交互，在不降低分类性能、不增加CNN计算量的基础上，进一步的提出了交错Attention机制的CNN结构。最终在兼顾分类性能和卷积计算量的前提下，实现了4种病害图像的精准辨识。
　　研究的主要内容和结论如下:首先，利用传统机器学习方法，提取了原始病害图像的颜色特征、纹理特征，利用极限学习机(ELM)和(RF)算法进行识别，结果显示，RF在对融合特征进行主成分分析(PCA)降维后的数据集获得了最佳的分类性能，达到87.06％。其次，为了将特征提取和模式识别过程高度集成，利用CNN对图像进行识别，在数据增强后基于改进的LeNet结构获得了87.50％的分类准确率，基于迁移学习的四种网络模型最高获得了93.33％的分类结果。然后，为了有效减少卷积过程中的参数量，本文引入了超轻量化子空间模块(ULSAM)来减少计算参数量，并获得了93.58％的分类结果，在减少计算量的同时，提升了模型的分类性能。最后，分析CNN卷积计算的不足，提出了可以实现卷积通道间信息交互，并对关键特征进行重点卷积的交错Attention机制的CNN计算方式，获得了96.14％的分类结果。
　　研究结果表明，深度学习方法成功实现了4种不同病害图像的识别，研究过程有效解决了CNN计算过程参数量大、通道间信息交互缺失，重点特征计算缺失的问题。相比较于各种方法下的分类性能，交错Attention机制的CNN计算方法获得了最高的分类准确率。本研究为在少样本情况下高效训练神经网络提供了一种新的思路，为水稻及其他农作物病害图像识别诊断提供参考与借鉴。