水稻作为本国重要的粮食作物,水稻病害是引起其产量降低的重要原因。目前已知的病害类别达一百多种,其中危害严重主要是十多种。而做好测报和防治工作的先决条件就是正确鉴别。将计算机视觉应用于水稻病害鉴定,将大大增强识别准确性,是农业信息化的发展方向。本课题研究是针对水稻病害的图像分类问题,并对于水稻叶部病害图像分类过程中训练数据量少、模型识别率低和收敛性差等难题,训练卷积神经网络模型来对样本图片进行分类,从而达到识别的目的。在研究对象的选取上,采取多种方式收集4种常见病害样本并以此作为数据输入;在模型算法上,确定使用Keras深度学习平台。其中该模型的网络结构中卷积层的数量为5,Max Pooling层为5以及全连接层为3。训练集中包含4种类别,每种类别分别含有400张样本图片,共计1600张;对应的测试集组成相同,数量总计640张。通过Image Data Generator（）对训练集和测试集做不同程度的增强,扩大两种数据集的数量;同时结合Dropout方法,降低过拟合带来的影响。针对模型中的多参数,进行多次对比实验,并结合实际情况,确定其最优值。同时针对小样本的特性,使用了迁移学习的技术,将主流的VGG-16模型用于本次研究中,使用其典型的两种方法:特征提取和微调,从而达到理想的识别效果。试验结果显示,本文提出的研究方案在伴随着方法的改进过程中,模型的最终效果也在逐渐改善。其中,使用迁移学习得到的模型收敛性超过自设模型;在训练准确率上两者大致相同,都达到90%以上,符合病害识别的基本要求,而迁移学习中的验证准确率却明显优于自设模型。对水稻病害准确识别与防治提供了有效的技术支持。