中国农作物种类繁多,农作物产量和质量影响着经济发展和农民收入,农业健康稳定发展一直是国家追求的目标。因此快速准确识别农作物病害种类并及时给予准确防治至关重要。传统农作物病害图像的识别主要靠少部分农业专家从病害图像的颜色和形状进行识别,这样既费力效率又低,也比较主观,容易导致误判错过最佳治疗时间。而现有农作物病害图像识别研究方法主要是从图像背景分割、机器学习相结合进行病害识别,但图像背景分割难度大、数据样本少,容易造成识别不准确。基于以上限制,本文提出一种基于卷积神经网络（Convolutional Neural Network,CNN）算法的农作物病害识别方法研究。本文研究了几种农作物病害图像,以玉米病害5类、番茄病害5类、土豆病害3类和草莓病害2类为实验研究对象。针对4种农作物病害图像数据样本不足,会造成网络过拟合,引入了迁移学习算法;针对卷积神经网络内存大、参数多问题,引入通道剪枝和知识蒸馏算法解决;针对卷积神经网络灾难性遗忘问题,引入了持续学习算法加以改善。最后开发了PC端界面用于农作物病害自动检测。主要工作如下:（1）提出基于改进VGG16的迁移学习和模型压缩玉米病害识别方法。针对玉米病害图像样本不足的问题,首先对数据集进行增强扩充;其次,借助迁移学习,在大型公共数据集Image Net训练网络模型,本文先预训练VGG16-INCE网络模型,即VGG16和Inception模块;然后保留预训练网络特征参数,实现对常见玉米病害图像训练、识别。实验表明:在Image Net数据集上,利用迁移学习对病害图像的识别精度达到93.38%。在迁移完成后,结合通道剪枝和知识蒸馏的方法对模型压缩,压缩后的模型再利用迁移学习对玉米病害图像识别。实验表明:压缩后对病害图像的识别精度达到92.40%,准确率下降了0.98%,模型大小由73.90MB压缩到9.45MB,参数量减少87.80%。本方法能够在小样本场景下确保识别准确率,并进一步实现模型轻量化。（2）提出基于增加模型通用性农作物病害识别方法。针对于模型灾难性遗忘等问题,导致对农作物病害识别率低。该方法引入持物学习中EWC方法,使得模型在训练农作物时保留重要参数,减缓之前任务灾难性遗忘现象,能够提高农作物识别准确率。通过实验表明在无加入EWC时,随着农作物病害种类的增加,网络模型的识别准确率越低,而本文提出方法能够持续实现对多种农作物病害图像识别,识别结果比没加入持续学习结果高,本文通过对三种农作物病害数据实验,验证了本文方法的有效性。