林业钻蛀性害虫生活隐蔽、对寄主的危害时间长且危害性较为严重,早期受害状难以察觉,但扩散速度快且极易爆发成灾,在中后期可以通过外部损害特征进行虫情判断,但往往已经造成无法挽回的损失。目前多采用人工观察或遥感图像的方式在成虫期对蛀干害虫进行监测,大量消耗人力、物力和财力,无法在虫害发生早期实现精准预警。基于此,本文探索了基于深度学习的钻蛀性害虫声音识别,针对无噪和含噪两种虫声数据设计识别模型和降噪模型实现了虫声识别和降噪,探索真实环境下害虫自动识别预警的可能性。一方面,本文设计实现了四个轻量级神经网络变种Insect Frames＿1-4,通过调整网络结构提取不同维度的钻蛀振动特征,并对比了平均池化降维对特征提取及钻蛀振动识别效果的影响;本文分别提取对数梅尔声谱和小波包分解谱图作为卷积神经网络的输入,对比不同网络输入对识别效果的影响。实验结果表明,对数梅尔声谱更适用于钻蛀性害虫的声音识别任务;Insect Frames＿1-4利用对数梅尔声谱进行识别的精度均达到90%以上,在CPU上平均识别时间为0.1s-1.3s;其中,最佳模型Insect Frames＿2识别精度达到95.83%。另一方面,本文设计实现了针对三种含噪虫声信号的降噪网络Enhance,直接对虫声信号的时域特征进行学习从而实现对降噪虫声信号的预测回归,本文使用空洞卷积技术搭建降噪网络的主体,有效增大网络的感受野,同时引入自适应归一化函数(LRe LU)实现神经网络的非线性变换。实验结果表明,降噪后虫声信号信噪比提高7.02d B;利用训练好的Insect Frames＿2对含噪信号和降噪后信号进行识别,降噪后信号的识别精度提高68.75%,重新训练Insect Frames＿2后,识别精度进一步提高16.67%。本文将基于深度学习的声音识别技术应用于幼虫钻蛀振动的自动化侦听,具有高效、简单、成本低等优势,可提升林业钻蛀性害虫的早期预警能力。