如何对害虫进行高效且准确的识别,对当前害虫的有效防治具有重要意义。目前传统害虫识别主要是依靠植保专家结合种植经验进行人工识别,存在费时费力、识别准确率低、误差大和不稳定等缺点。因此,亟需开发一种高效且准确的棉田害虫图像采集与识别系统。本研究在团队前期基础上,对原来设计的棉田害虫图像采集与识别系统进行研究与改进。主要内容如下:（1）结合棉田害虫的趋光特性,利用原有的棉田害虫图像采集装置进行田间试验研究,发现该装置所采集的图像存在去背景过度和不充分的现象,而且无法识别多目标害虫的问题。针对这一问题,确定了对原有装置进行结构改进和利用目标检测模型识别的方案。（2）利用简易图像采集装置在实验室拍摄田间收集的害虫样本图像,构建了3000张试验图像数据集CPest Data-1。利用改进后的装置进行田间试验,使用了1200张田间图像,并与试验图像数据集结合构成CPest Data-2混合数据集。采用Label Img对上述数据集进行人工标注,标注信息包含目标害虫的类别信息和坐标信息;为了提升模型的鲁棒性,在模型训练过程中采用Mosaic数据增强的方法扩充数据集并丰富检测物体的背景。（3）利用构建的数据集CPest Data-1,对基于双阶段的Faster R-CNN和单阶段的YOLO v4两种目标检测算法进行对比。结果表明,Faster R-CNN的m AP为99.40%,相对YOLO v4只提高了0.44%。但是该算法在每幅图像的检测速度为0.26s,而YOLO v4比Faster R-CNN提高了8.39倍,检测速度为0.03s。鉴于田间的实时检测需要,最终选择YOLO v4目标检测算法作为本研究的害虫识别模型。（4）通过K-Means算法对CPest Data2数据集的坐标信息进行聚类,确定了最优的先验框分布参数并用于YOLO v4参数设置;分别使用了SE-Net、CBAM以及ECA三种注意力机制模块,依次对YOLO v4网络结构分支进行改进。与未改进的YOLO v4算法相比,改进后的SE-YOLO v4、CBYOLO v4以及EC-YOLO v4三种模型模型的m AP分别提高了0.39%、2.53%和1.8%。其中CBYOLO v4的m AP为94.48%,相较于其他模型最高,最终选择CB-YOLO v4目标检测模型用于后期棉田害虫识别。（5）基于CB-YOLO v4模型,设计搭建了改进后的棉田害虫图像采集与识别系统,完成了图像采集模块、定位模块及识别模块的集成。为验证该检测系统的可靠性,利用500张田间图像进行验证,得出mAP为74.15%,检测速度为0.036s。