农业生产是人类的生产之本,保障农业生产是国之根本,然而农作物病害长期威胁着我国农业生产。在实际生产过程中,正确识别病害种类并精准施药,能够避免病虫害的爆发,有效保障农业生产。针对现有农作物病害识别中病害作物种类不够丰富,对病害程度划分精度不高,模型训练时间过长的问题,论文提出了一种能针对多种农作物进行正确识别病害程度的可行方法。本文运用计算机视觉技术,基于“AI Challenger”农作物病害数据集,通过传统机器学习、深度学习和迁移学习三种方法对农作物病害叶片进行分类比较研究。以期寻找在多种农作物病害的实际情况下,能够正确识别农作物病害程度的最佳方法。传统机器学习中采用融合叶片纹理和形状特征,基于支持向量机进行病害识别;深度学习中采用基于Xception网络进行特征提取及分类,利用交叉熵损失函数和Adam算法进行参数调节,并选用dropout正则化技术提升模型泛化能力;考虑到训练样本的有限性同时为解决模型的冷启动问题,引入迁移学习机制对模型优化改进,提出了一种基于迁移Xception的农作物病害叶片识别方法。实验结果表明鉴于自然场景中出现的多干扰因素,传统机器学习算法不能取得理想的效果;相比于传统的机器学习方法,深度学习识别准确率有了很大提升,但模型训练的时间较长;引入迁移学习的农作物病害叶片识别方法解决了冷启动问题,有效缩短了模型收敛时间,节省大量的时间和计算资源,同时在59类病害叶片的测试集上,模型的平均分类准确率达到86.8%,较无迁移学习提升了5.1%,在提高系统泛化能力方面取得了很好的效果。因此,采用基于Xception网络,结合迁移学习的识别方法,识别准确率和模型训练的时间效率上都有了很大提升,模型具有较好的普适性,方便进一步应用到农业生产中,对保护农业生产具有重要的实践意义。