当今,各领域产生的大量数据与计算力的快速提升极大的推动了深度学习的发展,而基于深度学习的技术迁移到不同场景下存在固有的缺点,深度神经网络通常依赖于海量带标注数据样本,随之而来的是在标注样本上人力和时间成本的极大投入,对数据样本的高要求致使目标检测和分类算法难以在实际生产活动中有效的应用。本文针对深度学习对带标注数据严重依赖的问题,将深度学习技术迁移到蝙蝠蛾幼识别的场景下,自监督学习和有监督学习相结合,分阶段提出三种有效的定位或识别方法,减少其对带标签样本的依赖,提高深度学习技术的实用性。（1）针对YOLOv5网络预测框与真实框差异较大问题,提出了基于注意力机制的蝙蝠蛾幼虫定位的网络（Lo YOLO）。该网络首先在主干网络中融合CA模块;其次使用本文提出的ln-CIo U损失函数作为目标函数;最后将该网络在仅为总数据集量3%的带标签样本上进行训练学习。实验结果表明,Lo YOLO网络对图片中的目标位置信息更为敏感,相比YOLOv5有着更好的定位效果。（2）针对Mo Cov2网络的输入图片信息冗余、内存计算资源占用高的问题,提出了基于对比学习的蝙蝠蛾幼虫粗粒度识别网络（Cl Mo Co）。该网络首先采用本文提出的Pad Mult Crop方法对数据进行预处理,减少输入图片的信息冗余;其次使用密集归一化加权链接网络作为编码器,在不增加计算资源的条件下加强特征提取能力;最后在编码器之后增加非线性层,保留特征信息。实验结果表明,Cl Mo Co网络与主流对比网络相比,具有更好的识别精度。（3）针对Cl Mo Co网络难以识别特征相似的目标的问题,提出了基于YOLOv5的蝙蝠蛾幼虫精细识别网络（AM-YLNet）。该网络结合了大量先进的网络设计优点,如Conv Ne Xt、Bi FPN、CBAM、Swin transformer等,使得网络能有效地提取目标细微的特征。其次,采用本文提出的分类损失函数作为优化的目标函数,迫使网络更加关注特征差异小、难区分的目标。实验结果表明,AM-YLNet网络与主流的目标识别网络相比,具有更好的识别精度。