大豆是中国最重要的粮食和饲料作物之一,其产量与品质都直接影响着人民的日常生活水平。一方面,大豆的种质基因差异会使大豆产生不同的耐受性,大豆叶片形态作为大豆种质基因的有效外部表现,为了支持改良大豆品种和提高大豆耐受性的研究,需要持续精确的对大豆叶片形态进行识别。另一方面,大豆叶片病害一直制约着大豆产量和质量的提升,给农民带来了极大的经济损失,为了最大程度减少病害带来的影响,需要快速准确的对大豆叶片病害进行诊断。基于上述两方面原因,为了进一步提升大豆的产量与品质,利用图像处理以及深度学习等方法,及时有效的对大豆叶片进行形态识别以及病害诊断具有十分重要的意义。本文以大豆叶片图像为研究对象,首先,建立大豆叶片图像采集装置,以避免田间采集的大豆叶片图像产生非线性形变;进而对收集的图像进行感兴趣区域检测和叶片分割提取,以避免背景噪声干扰并防止大豆叶片相互粘连;最后,基于卷积神经网络(Convolutional Neural Network,CNN)算法,实现对大豆叶片的形态识别和病害诊断方法研究。主要研究内容和创新成果如下:(1)本文建立大豆叶片图像采集装置,根据采集的图像检测大豆叶片的感兴趣区域(Region of Interest,ROI),并基于此区域对大豆叶片进行分割提取,有效的避免了噪声干扰对大豆叶片形态识别和病害诊断造成的影响。(2)本文提出融合多个卷积神经网络的深度投票模型(Deep Voting Model,DVM)来实现大豆叶片形态的自动识别。通过使用不同的投票权重对多个卷积神经网络进行融合,并与计算机视觉领域常用的分类识别算法进行对比,探索本文提出的深度投票模型对于大豆叶片形态的识别性能。实验结果表明,使用本文提出的深度投票模型,在960张图片组成的独立测试集上的识别准确率达到96.9%,能够较好的完成大豆叶片形态的自动识别。(3)本文提出改进的Goog Le Net模型来实现大豆叶片病害的自动诊断。通过利用不同的改进方法以及初始化方式对大豆叶片病害进行训练,并与其他卷积神经网络的诊断结果进行对比,探索本文提出的改进的Goog Le Net模型对于大豆叶片病害的诊断性能。实验结果表明,使用本文提出的改进的Goog Le Net模型,在5160张图片组成的独立测试集上的诊断准确率达到98.29%,能够较好的完成大豆叶片病害的自动诊断。