作为一个现代化的农业国家,我国种植葡萄的历史可以追溯到汉武帝建元年间,不仅种植历史悠久同时还是当前世界上葡萄出口量最大的国家。葡萄病害严重影响了葡萄的产量,也在一定程度上损害了葡萄及其下游食品业产物的品质,造成巨大经济损失。因此,本研究旨在缓解葡萄病害带来的影响,设计方法在病害的早期实现快速、准确地检测,从而为病害防治提供依据。本研究将病害识别的重点集中在葡萄的叶片上,在图像预处理过程中本文设计出了基于改进分数阶微分掩模的图像增强算法;在图像识别方面本文分传统机器学习和深度学习两种方法路线研究葡萄叶病害识别。本文在使用传统机器学习识别葡萄叶病害中,首先使用图像处理技术分割葡萄叶片前景与背景;其次使用基于改进分数阶微分的图像滤波模板增强图像细节和纹理;再次提取病斑区域与前景区域的颜色、纹理、形状、LBP、HOG特征并级联组合;最后使用传统分类算法完成病害识别。在使用深度学习识别葡萄叶病害中,首先使用基于改进分数阶微分的图像滤波模板和图像仿射变换来增扩数据集;然后基于本文提出的联合模型生成组合特征;最后通过Softmax层完成葡萄叶病害识别。经验证,本文设计的改进分数阶微分方法能够很好的增强叶片图像,对图像细节、纹理等有效信息实现了增强,增强后的图像提取的特征与原图像特征相比区分性更强,模型识别精度提升约1%。本文提出的特征融合方法相较于单一的LBP特征和HOG特征在模型精度上提升约3-5%。本文提出的深度学习组合模型在葡萄叶病害识别上取得极佳的效果,在Plant Village数据集的葡萄病害测试集上可以达到100%的识别精度。由上述结果可以看出,本文提出的基于改进分数阶微分的图像滤波模板算法能够很好的增强图片并提升特征的可区分性;本文提出的组合特征更有助于传统分类模型识别;本文提出的深度学习组合模型相对流行的单一模型有更好的识别能力。相对而言,传统机器学习方法和深度学习方法在葡萄叶片病害分类上都有良好的性能,深度学习方法有更好的识别精度而传统机器学习方法有更低的时间损耗。因此在实际生产中,计算能力较差的平台可以采用机器学习的方法完成识别,若计算资源充足,可以使用性能更好的组合神经网络模型。在实际生产中本文的两种方法均能减少果农用于分辨的时间,尽早发现葡萄病害,具有很高的实际应用价值。