在现在农业中,植物病害诊断与病害程度评估在农业生产领域扮演着重要的角色,它可以有效地避免病害传播、降低经济损失以及维护农业生产的可持续发展。如今,有很多学者采用传统的机器视觉方法来实现植物病害识别,计算机视觉与图像处理技术被广泛地应用在植物病害诊断中。虽然,现有的一些方法对植物疾病检测以及诊断过程中起到非常大的作用,但是植物病害程度评估还有待进一步研究。本文提出了一种基于卷积神经网络（convolution neural network,CNN）的方法来实现植物病害的自动识别与诊断工作。本文对植物病害与程度估计系统进行了详细地研究,利用Res Net和Shuffle Net两种结构搭建了一个多任务的植物病害诊断模型并且命名为PD2SE-Net。并且研发一个集植物物种分类、植物病害分类和病害程度评估三个模型于一体的植物病害检测与程度估计系统,实现了对植物病害的联合诊断。另外,受Inception结构和Shuffle Net V2模型的启发,本文设计了一个轻量化的模型L-CSMS来实现植物病害程度的评估。本文进行了大量的实验,与现有方法相比,本文提出的方法在植物物种识别、植物病害分类以及病害严重程度估计三个方面的综合精度分别达到99%、98%和91%,取得了非常优秀的性能。另外,设计的轻量化模型以更少的参数和计算量也实现了接近91%的病害程度评估精度。本文的主要贡献与工作如下:（1）植物病害诊断研究在农业生产中起到非常重要的作用,然而很少有人对植物病害程度进行研究。本文提出了一种基于计算机辅助植物病害诊断模型PD2SE-Net,该系统通过三个分支结构分别实现植物种类,病害种类以及程度评估的识别任务。（2）本文提出了一个轻量级的模型L-CSMS,该模型由残差学习、Channel shuffle操作和多卷积核模块组成。所提出的基于CNN轻量化模型,在参数较少的情况下实现了更好的性能。在植物病害严重程度识别方面取得了良好的效果,说明了该模型的可行性和有效性。（3）本文还设计了一个运行于Windows系统的植物病害诊断用户操作软件。该软件包含了基于PD2SE-Net和L-CSMS的植物病害诊断两种方法。