水稻是我国的主要粮食作物,水稻的产量关系到人民群众的温饱问题,也关系着国家经济水平的发展。近年来,由于水稻植株抗虫抗病能力弱,以及经济社会发展导致农田生态环境变差等原因,水稻产量受到病虫害的影响越来越严重,也给水稻种植者和国家带来了非常大的经济损失。传统的人工害虫识别方法效率低,实时性差,传统的机器学习又严重依赖于特征提取,普适性差。而近年来在图像识别领域运用广泛的深度学习技术,能以端对端方式实现农作物害虫识别,克服了传统识别方法效率低,实时性差以及提取特征操作繁琐等不足,但识别的准确率和鲁棒性仍有待提高。为了找到一种适合水稻害虫的识别方法,本文结合深度学习中的卷积神经网络展开了针对水稻害虫的识别研究,主要研究工作有以下几个部分:（1）为了准确识别水稻害虫,提出了一种基于Alexnet改进的水稻害虫识别模型。以4种水稻害虫图像数据集为实验依据,对Alexnet模型进行改进。改进方式包括在Alexnet模型的基础上,去除原有的LRN层,并在卷积层后面添加批归一化层来缓解梯度弥散,使模型更加稳定,用全局平池化代替原有的全连接层,减少模型参数,降低神经网络模型训练过拟合情况发生的可能性,使用PRelu函数代替原有的Relu函数,避免神经元坏死的情况。实验结果表明:1)改进后的模型在害虫数据集上的识别率不低于98%,相比于原网络提升了1.96%,高于Le Net5、VGG13、VGG16等传统网络。2)改进后的模型的损失值稳定在0.03附近,相比于原网络降低了0.1,均低于Le Net5、VGG13、VGG16等传统网络。从实验结果来看,改进后的方法在水稻害虫分类上有较高的识别率和较好的鲁棒性。（2）针对实际情况下水稻害虫图像数据量少的问题,引入了迁移学习。提出了一种基于卷积神经网络和迁移学习水稻害虫识别方法。该方法选用更适合迁移学习的VGG16为基准模型,先在Image Net数据集上预训练,然后将上一实验中提到的全局平均池化运用到对VGG16顶层的优化改进中,然后将改进后的VGG16模型应用于6种水稻害虫图像数据集的识别当中,训练前使用预训练得到的权重参数对改进后的网络的参数初始化。研究过程中还进行了大量的对比实验,通过比实验发现,引入迁移学习后,将VGG16模型的顶层设计为一个全局平均池化层接一个输出层,并解冻部分卷积层进行训练。这种方式得到的训练效果最好,具有识别速度快,准确率高,可移植性强等优点。总体而言,本文是通过以网络搜索引擎以及相机拍摄两种方式获取的水稻害虫图像为样本,对水稻害虫数据集进行预处理,并提出了两种害虫识别方法。基于Alexnet改进的模型取得了一定的成效。但是由于Alexnet网络层数较少,特征提取能力有限,在实际运用中,可能会用到更深层次的模型。而模型层数的加深,需要的数据集也会更多。因此提出将迁移学习与卷积神经网络结合的方法,来解决小样本带来的训练不足等问题。两种方法均取得了较好的识别效果,具有普适性,为农作物害虫的识别和分类提供了有效参考。