随着5G时代的到来和人工智能的飞速发展,深度学习技术已经广泛应用到各行各业,智慧农业作为深度学习与农业领域深度交融的代表作之一,将给现代农业带来革命性的技术创新。农作物病虫害识别检测作为深度学习技术在农业领域的研究热点,具有很实用的研究价值,图像识别技术能对农作物病虫害种类进行准确、快速的识别,能降低农业者因经验不足和理论知识缺乏而造成误判的风险。茉莉花产业作为广西横县特色优势产业,在横县农村经济中占有十分重要的地位,而近年来茉莉花整个生长周期遭受的病虫害情况具有增多的趋势。茉莉花生长状况直接关系到产量的收益,病虫害的侵袭严重制约茉莉花产业健康持续的发展。本文针对茉莉花病虫害图像识别算法的研究,将为茉莉花病虫害的防治打下一定的基础。本文所做的工作有以下几点:（1）采集适用于本文研究的茉莉花病虫害图像数据,并制作成相应的图像数据集。本文收集了茉莉花炭疽病、斜纹夜蛾、叶斑病、白绢病、叶卷蛾、叶野螟6类茉莉花病虫害共计1775张图片。并对图像进行挑选和预处理,为了解决样本数量过小的问题,需要对图像进行扩充,本文采用空间变换、色彩对比、数据增强等手段扩充数据集。经过扩充后6类茉莉花病虫害图像数量由1775张增加到了15370张,每一种病虫害的图像数量在2400张到2800不等,并做了数据集扩充实验对比,结果表明使用扩充后的数据集训练的模型识别准确率比使用原始数据集提高了4.22%。（2）从实验及理论的两个角度分析选取合适的茉莉花病虫害识别网络模型,选取四种常见的网络模型进行实验对比。实验结果表明轻量型Mobile Net V2模型能在识别精度、模型大小、训练时间三者之间取得不错的平衡,最终选择了Mobile Net V2作为茉莉花病虫害图像识别的基本模型。（3）本文设计一种改进Mobile Net V2的网络模型算法,将SENet模块与Mobile Net V2网络结合,得到SE-Mobile Net V2网络模型。该模型结合了SENet和Mobile Net V2两者的优点,增强了网络的感受野,并对SE-Mobile Net V2、Mobile Net V2、SE-Mobile Net V1、Mobile Net V1四种网络模型进行实验对比,结果表明SE-Mobile Net V2对茉莉花病虫害的图像识别准确率较原始模型提高了2.25%,达90.82%。（4）对SE-Mobile Net V2模型优化算法进行分析,本文设计一种结合Momentum和RMSProp的优化算法,并与其他常用优化算法相比较。实验结果表明,本文提出的结合Momentum和RMSProp优化算法相比其他优化算法,进一步提升了识别率,网络收敛的更快,病虫害识别准确率更高,最终达94.34%。