中国有24个省大规模种植番茄,近10年间(2010-2019)全国番茄产量仍处于正增长,年规模已超6千万吨。然而番茄病虫害成为限制中国番茄产业发展的一大因素。在番茄的生长过程中,由于害虫、病毒等因素的侵害,造成其产量减少;因为采取不恰当的防治措施,导致其质量降低。传统的人工诊断方法可靠性差、浪费人力资源;防治措施主要为使用农药,安全性低,针对性弱。随着智慧农业的发展,基于深度学习的诊断方法正在取代传统的人工诊断方法,因此,开发出一些基于深度学习的诊断系统,但是现有的一些诊断系统存在模型参数量大、收敛速度慢、诊断正确率不理想、泛化能力弱、无相关防治知识库等问题。为了解决当前基于深度学习的番茄病虫害诊断防治存在的上述问题,本文设计了多尺寸卷积核及最大值池化的轻量级卷积神经网络,一定程度减少了参数量,提高了诊断正确率;其次为了进一步提高诊断正确率,选取Res Net50进行迁移学习,提出了对卷积层的最终输出进行批归一化,在自定义的全连接层之前进行全局均值池化操作,加快了收敛速度,减轻了计算负担,增强了泛化能力;最后将基于Res Net50迁移学习的诊断模型和防治知识库相结合通过Flask框架开发为简易操作的系统,实现了基于深度学习的番茄病虫害诊断防治系统,使其能够应用于番茄的种植过程。本文通过对卷积神经网络进行迁移学习,设计并实现了能够快速、有效地诊断出番茄病虫害并且能给出防治建议、普及相关防治知识的番茄病虫害诊断防治系统,较好地解决了番茄生产者在种植过程中遇到的病虫害诊断准确率低以及防治知识不全面、防治方法不恰当等问题,对接下来根据感染程度进行番茄病虫害诊断防治的研究具有一定借鉴意义,推进了智慧农业的发展。