我国已是草莓生产消费第一大国,草莓种植业为我国农业发展的重点之一。合理监控和防治草莓病虫害,使草莓增产、多产是提高草莓总产量的最基本的方法。传统的人工检查病虫害方法依赖检测人员的专业知识,而且检测过程效率不高、实时性差,容易存在各种因素而导致的误差。根据以上问题,本文提出一种基于卷积神经网络(Convolutional Neural Network,CNN)的草莓病虫害图像分类算法,将注意力机制(Attention)和中心损害函数(Center-loss)引入经典的卷积神经网络,解决现有卷积神经网络分类方法中特征关键区域信息丢失较大,影响分类的效果的问题,进一步提高卷积神经网络在图像分类中的准确率。论文主要工作包含如下2方面:(1)提出了一种基于注意力机制和中心损失函数的深度图像分类算法。具体地,为了关注并提取图像中重点区域特征信息,将注意力机制引入经典的残差网络ResNet34,为了减少图像特征提取过程中信息丢失,将中心损失函数引入经典的残差网络ResNet34,进而提出一种基于注意力机制和中心损失函数的深度图像分类算法。为了验证本文算法的性能,将该算法分别与经典卷积神经网络AlexNet、ResNet34进行对比,在图像分类标准数据集CIFAR10,ImageNet,MNIST等上的实验结果表明,本文提出的算法确实在图像分类领域取得了一定的突破。(2)将基于注意力机制和中心损失函数的深度图像分类算法用于草莓病虫害图像识别,设计并实现了一个基于卷积神经网络的草莓病虫害识别系统。为了推广基于卷积神经网络的图像分类方法在农业信息化方面的应用,微调本文提出的基于注意力机制和中心损失函数的深度图像分类算法,将其用于草莓病虫害图像识别,设计开发了一个基于卷积神经网络的草莓病虫害识别系统,该系统基于B/S架构,使用Django Web开发框架和SQLite数据库管理系统,实现了本地摄像头拍摄草莓图像并上传,然后在线对草莓病虫害进行识别等功能。