番茄,种植面积广且栽培效益高,是我国的重要经济作物,在农业蔬菜生产和蔬菜贸易中占有非常重要的地位,而病害是制约其产量和质量的一个重要因素。传统的番茄病害识别一般采用人工识别方法,但人工病害识别难以满足番茄在现代农业发展中的高效生产要求。番茄病害的症状通常表现在番茄叶片上,番茄患病叶片会在颜色、纹理和形状等方面呈现不同程度的异常,而不同类型的患病叶片又会具有不同的外部特征,所以对番茄叶片特征的准确分析,有助于及时掌握番茄在种植过程中的健康状况,是实现病害实时监测与防治的前提。对于番茄果实,生理性病害则是重要的影响因素。患生理性病害的番茄果实会表现出明显的外部特征,而外部特征恰恰是评价果实品质的重要指标。因此,加强番茄叶部病害和番茄果实生理性病害的有效、自动检测是促进番茄生长监测和病害治理,加强番茄果实质量管理和自动筛选的有效措施。随着深度学习概念的产生,其代表算法——卷积神经网络在二十一世纪后得到了快速发展,并在图像识别和目标检测领域应用广泛。卷积神经网络作为一种高性能图像识别技术,为番茄病害的准确识别与检测提供了新的思路。然而,现有的基于卷积神经网络的番茄病害检测研究大多使用的是基于候选区域的two-stage目标检测方法,此类方法在检测速度上尚存不足,很难满足实时性检测需求,此外,现有研究大多仅针对患病番茄,缺少在真实条件下健康番茄对患病番茄的识别影响探究,而在针对患病番茄的研究中,番茄叶通常被作为研究对象,番茄果实的相关病害研究则常常被忽略。针对上述问题,本文选取基于回归的one-stage目标检测方法的代表算法——YOLO系列算法展开算法改进研究,以使其适用于番茄病害检测,并在保证实时检测速度的同时探求更好检测精度:(1)鉴于YOLOv2模型的优秀检测速度及其在水果检测中的优秀表现,本文进行了基于YOLOv2的番茄果实常见生理性病害检测研究,使用k均值聚类算法对番茄果实训练集图像的样本标注边界框进行了聚类,并将改进的YOLOv2方法应用于包括健康果实在内的7类番茄果实的检测,实验结果表明,改进模型有效提升了番茄果实常见生理性病害检测的检测效果。此外,研究还探究了图像数据类型和图像数据规模对检测的影响,对比实验结果表明,平衡数据状态下的RGB完整图像更适用于YOLOv2番茄果实常见生理性病害检测。(2)鉴于YOLOv3的优秀检测精度以及番茄叶部病害特征的细微性与相似性,本文进行了基于YOLOv3的番茄叶部病害检测研究,在对番茄叶片训练集图像进行k均值聚类的基础上,将模型原有的3种特征检测尺度缩减为2种,同时引入了 DenseNet网络思想,提出了 Dense-YOLOv3番茄叶部病害检测模型,并将其应用于包括健康叶片在内的10类番茄叶片的检测,对比实验结果表明,Dense-YOLOv3模型有效提升了番茄叶部病害检测的检测效果。