农业是我国国民的经济基础,农作物病害的识别和防治则是农业生产活动中必不可少的一部分,可以直接影响到农业的经济效益,因此农作物病害的识别手段和精准程度对于农业发展具有重要意义。传统农作物病害识别方法主要以人工检测为主,存在效率低下、不能实现自动化识别等问题,而基于图像特征工程的方法又存在工作量大、在不同的复杂环境及病害多样性下很难精准识别等问题。本文旨在寻找更好的农作物病害识别方法,以解决上述问题。近年来,深度学习在图像识别领域中应用较为广泛,而卷积神经网络是深度学习的典型代表之一,该网络不仅具有很强的学习能力,而且可以实现图像特征的自动提取并达到很好的识别效果。因此本文基于深度学习并着重以卷积神经网络为主展开了对农作物病害识别的研究。本文的主要研究工作有以下三个部分:（1）针对一般情况下单一网络在农作物病害识别过程中存在特征提取不充分或特征丢失等问题,提出了一种多模型融合的农作物病害识别方法。该方法将Inception V3和DenseNet169模型中的有效模块级联,然后利用两者的特征提取能力对目标数据中的多样性及深层病害特征进行提取,之后通过特征融合策略将各自提取的特征融合拼接。为了进一步提高实验效果,随后对目标数据集使用了一系列数据增强及图像预处理技术,并给出训练优化方法,最后在目标数据集上进行实验并与多种方法对比。实验结果表明,本文提出的方法在农作物的病害识别效果上要优于其他方法。（2）针对实际开发下的农作物病害识别需求问题,提出了一种将迁移学习和MobileNet相结合的农作物病害识别方法。该方法将ImageNet作为辅助数据集预训练MobileNet模型,然后使用基于模型的迁移学习方法进行了模型及参数的迁移,最后在迁移的模型上进行了目标数据集的训练识别并与多种方法对比。实验结果表明,本文提出的方法相较于其他方法有更好的实际应用价值。（3）为了提供一种便捷的番茄病害识别方法,系统将进行迁移学习的MobileNet模型作为识别模型,使用Flask框架搭建了一个简单的番茄病害识别系统,实现了系统的登录注册,图像上传,病害识别,识别图像管理和用户管理等功能,为番茄种植人员和从事番茄研究相关科研人员提供了一种辨别番茄病害的新途径。