近年来,人工智能研究和应用的热度持续上升,AI在许多领域中都展现出其独特的优势。智慧农业是人工智能与农业领域应用场景相结合的一个概念,目前,人工智能在农业领域的应用尚有较大拓展空间。农作物在生长过程中的长势监控和计算机自动识别具有重要意义,对农作物物候期,即其周期性生长时间节点的判断,可以及时为农业生产经营者提供作物培育管理的借鉴和指导,从而提升农作物的产量和品质,以及种植人员和经营企业的经济收益。获取及时准确的农作物长势反馈有较大的需求,但长期以来长势资料采集过程很大程度上依赖人工的巡查和记录,比较费时费力,效率也不高,且资料采集之后大量数据的分析处理过程也会耗费时间,以至于错过了采取及时农事措施的时机。本文以茶叶种植园区中的安吉白茶为实验对象,依托几处摄像头监测点采集的茶树植株图像,以及当地气象站的气象数据,设计基于多模态数据特征的茶树物候期识别模型,对安吉白茶在采摘季邻近时段的关键生长阶段进行识别。该模型可以为相关人员提供及时准确的白茶生长状态信息,显著减少现场巡查以及人工查看监控资料的工作量。模型可以针对多地点、小范围区域提供精细化的识别和提示,为茶农和企业做出茶叶采摘等农事安排计划提供参考依据。本文主要研究工作如下:（1）收集白茶生长的图像数据和当地气象站的气象数据,对图像数据进行前期预处理,对气象数据的气温、降水、湿度数据进行解析处理。鉴于茶树物候期识别任务图像数据规模小的情况,使用基于群体的数据增强（PBA）算法。选择常用图像变换操作构建增强策略搜索空间,设计在PBA算法中使用的图像分类轻量级模型和搜索空间探索算法。通过PBA算法得到针对安吉白茶物候期数据集的图像增强策略序列。（2）基于Goog Le Net的Inception模块和Res Net的Residual模块设计图像特征提取网络。在网络的前几层使用Inception模块的多种卷积核尺寸提取图像的多尺度特征,在网络后几层使用Residual模块加深网络深度、减少过拟合、加速图像特征提取计算速度。（3）基于长短期记忆网络LSTM提取气象数据的序列性特征,此气象特征是对一周时间内气象数据的抽象。设计Multi Modal Net多模态网络模型,融合从图像数据和气象数据得到的多模态特征,实现对白茶物候期的识别。