林业有害生物种类繁多且分布范围广,每年对我国林业造成巨大的经济损失。因此,对林业有害生物进行及时、准确地监测是合理制定林业有害生物防治方案和减少经济损失的前提。其中,对林业有害生物准确识别是林业防控工作的首要任务。然而现有的林业有害生物识别方法主要是依靠工作人员凭经验识别,效率低,客观性差。针对上述问题,本文建立了基于深度双线性转换注意力机制网络的林业有害生物识别模型,开发了基于微信小程序的林业有害生物智能识别系统。主要研究内容与结果如下:（1）基于深度学习的林业有害生物图像识别模型的研究。为了实现常见林业有害生物自动准确识别,本文提出了一种基于深度学习的林业有害生物图像识别方法。本文在改进残差模块的ResNet-101网络基础上,引入深度双线性转换模块和注意力机制模块,建立了基于深度双线性转换注意力机制网络的林业有害生物识别模型DBTANet-101。与VGGNet-19、ResNet-50、ResNet-101、改进残差模块的ResNet-50、改进残差模块的ResNet-101和DBTNet-101六个模型进行比较,测试结果表明本文建立的DBTANet-101模型综合性能最好,在常见的74种自然状态下林业有害生物图像数据集上获得了91.3%平均识别率,在22种相似林业有害生物数据集上获得了85.1%平均识别率,表明DBTANet-101模型对林业有害生物具有较好的识别效果。（2）基于微信小程序的林业有害生物智能识别系统客户端的设计与实现。为了快速便捷地识别手机拍摄的林业有害生物,本文开发了一款林业有害生物智能识别微信小程序。利用微信原生UI开发框架设计系统客户端界面和功能,并使用https协议实现前后端通信。微信小程序客户端包括智能识别模块、地图查询模块、知识图谱模块和用户中心模块。核心功能模块是林业有害生物智能识别模块,即用户拍摄或者选择图像并上传到服务端,服务端在识别图像后将结果返回。（3）林业有害生物智能识别系统服务端的设计与实现。为了实现系统具体的功能需求,本文搭建了林业有害生物智能识别系统服务端。服务端由代理网关、应用服务端、图像识别服务端和应用服务端数据库四部分组成。其中,代理网关是基于Nginx实现的,主要实现协议转换和主、备切换;应用服务端是基于轻量型Web框架Gin搭建的,主要实现与微信小程序的交互;图像识别服务端是基于gRPC框架搭建的,主要实现调用具体算法模型对图像进行识别的功能,并通过RPC方式与应用服务端进行通信;应用服务端数据库是基于关系型数据库Mysql建立的,主要实现存储业务数据信息和索引优化。（4）林业有害生物智能识别系统的测试与分析。为了测试林业有害生物智能识别系统的功能运行情况,运行时系统资源消耗情况和请求处理性能,本文设计了三种测试,功能完整性测试,运行时系统资源消耗测试和接口响应时间测试。本文通过模拟用户操作,对林业有害生物智能识别系统的各个功能进行测试;通过使用glances工具,对系统资源进行采样测试;通过记录系统接口的断点日志,对系统接口响应时间进行测试。经测试,所有功能均符合设计要求,系统运行时资源消耗符合设计预期,单张图像识别请求的总耗时为3秒左右,满足实际需求。本系统为林业防控提供了快捷、准确的林业有害生物智能识别工具,用户通过微信小程序拍摄或选择图像上传,图像识别服务端对传输过来的图像进行识别,最后将结果返回微信小程序进行结果展示。林业防控人员利用该智能识别工具可提高工作效率,降低林业防控的成本。