无论在害虫防治还是生物学研究中,高效、可靠的农田害虫分类都起着至关重要的作用。近年来,随着深度学习在各个领域的蓬勃发展,许多农田害虫分类方法被提出。然而,现有的方法大多是在裁剪掉复杂背景后使用图像数据进行训练,但这些方法无法满足生产生活的实际需要。在本研究中,针对现有农田害虫分类模型的部分缺陷及不足,如数据集过度预处理、测试策略无法有效验证模型分类效果以及分类模型结构单一等,本研究基于视觉变压器（Vision Transformer）以及传统卷积神经网络结构两种策略构建农田害虫分类模型。本研究主要贡献如下:（1）为更真实测量所得农田害虫分类模型表现、验证模型的泛化能力以及为农田害虫相关研究提供依据,本研究基于互联网搜集了20类农田害虫图像数据集,约1326幅图像,包含更加复杂的背景信息以及单张图像下更多的害虫个体。结合农田害虫分类领域各公开数据集及数据增广技术（如旋转、平移等）,研究总计农田害虫数据达10000余张。此外,为得到更加鲁棒、实用的农田害虫分类模型,各害虫数据均保留原始背景。（2）基于视觉变压器以及卷积神经网络两种结构分别构建农田害虫分类模型,并对结果进行对比,择优而取。基于卷积神经网络所构建的农田害虫分类模型以本研究所提出的Diverse Branch Block for Classification模块搭建,根据卷积操作的特性将普通卷积以多个卷积层及池化层的组合替代,以进一步提升模型的特征表征能力;基于视觉变压器的农田害虫分类模型相较于传统卷积神经网络结构,其多头注意力机制有助于模型捕捉、学习到更丰富的特征及判别信息,更加注重数据全局信息。两类模型在三个数据集下的数据集内测试及跨数据集测试中都取得了优异的分类表现,其中以卷积神经网络构建的分类模型在部分数据集中的测试结果达到并超过了当前主流方法。（3）为进一步提升模型鲁棒性及其分类能力,本研究利用集成学习策略部署训练多个分类器,最后将农田害虫分类模型的多个输出按照特定方法进行融合。不同于此前同类方法其输出仅依靠单个分类器,训练多个分类器融合输出有效提高了模型的分类表现以及泛化能力。（4）在对双模型的分类效果做出比较之后,为方便实际部署,研究还对表现更加优秀的农田害虫分类模型进行模型压缩。模型经过量化感知训练之后,更能贴合实际应用场景,直观展现其应用于移动端下的真实分类效果。此外,为了评估模型的泛化能力,本研究使用新数据集与公共数据集进行跨数据集实验。通过对本研究所提模型的详细实验,本文分析、研究了模型的分类表现和实际泛化能力。大量的数据集内和跨数据集实验表明,该方法在两个公开数据集以及自采数据集的测试下取得了优秀的分类表现,分别达到了93.93%、98.95%以及95.76%。