植物是农业领域中不可或缺的一部分,研究植物种类和病害的分类识别对于园林园艺、环境保护、药食应用以及农业经济的提升等都具有举足轻重的地位,并可为智能化植物生产和农作物大数据信息管理应用提供有效的支持。经典的机器学习算法依赖于专家知识人工提取植物叶片的特征信息满足不了复杂种类与病害的识别,随着深度学习的发展,植物叶片图像识别得到了飞跃提升和显著成效。本文以植物叶片（包括种类和病害共4个数据集）为研究对象,着重改进其识别模型,主要研究内容如下:（1）针对植物相似度大、植物病害复杂且分布随机、背景干扰等难点,研究深度学习网络对植物种类和病害的识别,本文提出采用深度残差网络（Deep Residual Network,Resnet101）和引入注意力机制作为整体框架,并改进残差模块结构以及调整注意力机制的连接方式,实验中使用Flavia叶片数据集、Swedish叶片数据集、Plant Village叶片数据集和Kaggle Cassava Disease叶片数据集共4个数据集进行仿真实验,结果表明本文提出的方法具有显著的特征提取能力,在4个数据集上均提高了识别准确率,分别可达98.03%、98.24%、98.63%、91.14%,验证了所提出框架的可行性。（2）针对深度残差网络结合注意力机制模块训练时间消耗过长等问题,研究迁移学习的不同策略对实验结果的影响,分析模型性能以及泛化能力,本文提出通过Fine-tuning方式来解决该问题,实验过程相关权重参数取自于Image Net,其结果表明采用Fine-tuning方式可以在保证准确率相差不大的前提下,缩小时间的耗费约10%-15%,并对模型的泛化能力有很大的帮助,验证了该方法的有效性。（3）把本文提出的植物叶片图像识别模型和方法,应用于轻量化硬件设备上,先将已训练完成的模型导入至Raspberry Pi中对真实场景的植物叶片进行测试,然后搭建摄像头形成便携式植物叶片图像识别硬件平台,最后通过摄像头采集植物叶片图像输入已训练模型中测试,在GUI页面显示识别结果,验证了该方法的应用性。综上,本文基于改进深度残差网络与注意力机制结合并加入迁移学习策略在植物叶片图像识别中进行了一系列的研究和实验仿真对比,并在准确率、时间、参数量等方面进行分析,同时在Raspberry Pi轻量化设备上测试验证,为智能化、精确化植物叶片图像识别提供了良好的思路,在智慧农业领域具有一定的应用价值和应用前景。