玉米是我国主要经济作物,病虫害是影响玉米产量和品质的主要原因之一,快速、准确的识别玉米病害,及时采取有效措施能够最大限度减少病害造成的损失。传统病害识别方法主要依靠专家对疾病类别及病害严重程度进行评估,费时费力、主观性强。基于深度学习的作物病害识别方法具有精度高、速度快等优点,为作物病害的科学防控提供了有效的技术手段。因此,本文以玉米叶片病害为对象,研究基于深度学习的玉米叶片病害识别和病斑分割方法,并在此基础上对玉米病害严重程度进行评估。本文主要研究内容如下:（1）数据集构建和预处理。首先,通过网络获取具有复杂背景的植物病害图像Syn-Plant Village数据集（Syn-PV）和无人机在田间自然环境下拍摄的玉米大斑病图像数据集;其次,对无人机上获取的玉米大斑病图像进行随机裁剪,构建一个包含玉米大斑病叶片和健康叶片的数据集（NLB数据集）,作为玉米叶片病害识别数据集。最后,对NLB数据集中的大斑病叶片图像进行数据增强和手动标注病斑区域,构建用于玉米大斑病病斑分割数据集（NLB-Seg数据集）。（2）研究基于改进Swin Transformer网络的玉米叶部病害识别方法。首先,在Swin Transformer网络中添加多分辨率重叠的注意力模块,搭建基于改进Swin Transformer网络的植物叶部病害识别模型（Swin T-MOA）。然后,利用网络获取的SynPV数据集对Swin T-MOA模型进行预训练,并测试识别效果;最后,采用Swin T-MOA预训练模型在NLB数据集上进行迁移学习,并与Res Net50、Google Net、Vision Transformer、Swin Transformer四种识别网络进行对比。结果表明,Swin T-MOA模型在NLB数据集上取得最好的识别效果。（3）研究玉米大斑病叶片图像病斑分割方法。首先,对YOLACT++实例分割网络进行改进,采用Res Net-101作为特征提取网络,在特征金字塔网络（FPN）前后添加卷积注意力模块（CBAM）,构建病斑分割模型。然后,采用NLB-Seg数据集对分割模型进行训练和测试,并与Mask R-CNN和YOLACT++模型进行对比。结果表明改进后分割模型能够实现玉米大斑病病斑的准确分割。最后,采用玉米大斑病病斑分割结果,计算叶片病斑区域和健康区域的面积,参照玉米大斑病的分级标准,对玉米大斑病病害进行叶片尺度和植株尺度的严重程度评估实验。结果表明,玉米大斑病严重程度评估方法的可行性和有效性。