病虫害是农作物生长中的大敌,种类繁多,在作物整个生长期内都有发生。近年来,随着生产水平提高和气候变化,病虫害呈持续高发、重发趋势,直接影响国家粮食安全。随着计算机技术的快速发展,基于机器学习技术的病虫害自动检测识别能力在某些方面已经超过了部分农业专家。但由于大部分机器学习方法是一种间接特征学习方法,病虫害检测识别的准确性和鲁棒性取决于所建图像特征学习模型的质量,且特征数据在学习过程中需要定期验证和扩充。为了在农田环境下开展大规模病虫害图像现场、实时、精准的检测识别,实现工程化应用,其中如何提高非结构环境下病虫害图像检测识别模型的拟合度,是目前亟需解决的关键技术问题。本论文主要从图像分类和目标检测的本质原理出发对非结构化环境下的病虫害检测识别模型进行深入的研究和探讨。研究内容主要分为以下几个方面:1.提出了一种基于级联卷积神经网络的植物病害识别方法。其核心是通过级联思想完成多类别病害及其严重等级的特征划分与学习,构建非结构环境下多水平层面植物病害分类方法。首先,考虑到不同深度学习模型的差异性,采用不同的卷积神经骨干网络构建病害图像分类并行投票网络模型,计算出准确的植物病害类别。随后,通过加权孪生网络模型来计算与度量不同病害程度间的加权欧式距离,给出对应的植物病害程度。最后,融合并行投票网络与加权孪生网络的输出结果,同时计算出非结构环境下植物病害的类别及其严重程度。除此之外,为了进一步提升植物病害分类模型的鲁棒性,本文设计了分阶段训练和联合测试策略来优化与指导植物病害分类过程。通过大量的实验表明,本文提出的方法能够有效提升植物病害识别和病害程度评估的准确率。2.提出了一种融合农田多源环境信息的害虫检测方法。其主要思想是将农田中害虫的发生条件作为多源信息融入到害虫检测识别方法中,为害虫目标检测模型提供语义背景知识的指导。首先,构造害虫图像粗检测分类网络。由于不同的害虫危害的作物、发生的时间、位置、环境信息具有一定差异,为此我们构建了多源信息提取网络,使得对于害虫图像数据能够按照作物类别进行粗略划分。其次,设计精细害虫图像目标检测网络。对于特定作物的害虫检测模型引入可提取害虫多源信息的投影卷积模块,以此缓解害虫小目标在卷积神经网络中特征丢失的问题。与其他方法目标检测方法相比,本文提出方法的效果和鲁棒性更好。3.提出一种新的目标检测损失函数,有效解决目标检测流程中的特征冲突问题,为两阶段目标检测技术的进一步优化提供了新思路。通过目标检测流程中的候选框分配流程的实验,分析并量化了训练阶段与推理阶段的特征冲突问题。针对网络预测出的正负样本的分类置信度与正负样本和真实值交并比的值域与物理意义的偏差,本文采用强监督的方法来抑制这类特征冲突问题。大量的实验结果表明,本文所设计的损失函数使得基于深度神经网络的目标检测框架更为健壮和有效。