长期以来,我国将农业作为国民经济发展的基础。近些年来,受气候变化、农作物布局调整等因素的影响,农作物病虫害种类越来越多,发生面积越来越广,受灾程度越来越严重,而过度地使用农药,会对环境造成破坏,并且农产品质量安全难以保证。健全病虫害监测体系,可以减少农药的使用,提高农作物病虫害的防治水平。虫害监测是病虫害监测体系的重要组成部分,而害虫识别与计数是虫害监测的基础。传统的人眼观察判断方法,效率低,人力成本大,而声测法、红外传感器监测等方法对设备的要求很高,而且不适应于农业害虫监测。随着计算机技术的发展,基于图像的害虫识别与计数方法已成为研究热点。目前使用的方法大都是利用人工进行设计提取特征,再结合传统的机器学习算法进行识别,这种人工设计特征的方法受人为主观性的制约。深度学习的提出,凭借其自动提取特征的优势,极大促进了机器学习的发展。本文将深度学习引进农作物害虫识别与计数领域,通过改进现有的目标检测框架实现粘虫板图像害虫识别,并在识别的基础上实现分类计数。本文主要研究内容如下:(1)由于本文采集的粘虫板害虫图像分辨率较低,且图像中包含的害虫体积小,形状纹理结构较为复杂,普通相机受像素、焦距和光照等因素的限制,会影响识别和计数的效果,本文利用深度学习ESPCN超分辨率重建模型对害虫图像进行超分辨重建,以体现更多的细节信息,提高识别与计数的准确性。(2)本文的粘虫板图像上的害虫体积小,而现有的目标检测框架对小目标检测能力不好。本文在Faster-RCNN目标检测框架的基础上进行改进,利用TDM结构实现高层语义信息特征和低层细节特征的融合,以提高目标检测模型对小目标的检测能力;并利用Soft-NMS算法代替原有的NMS算法,以提高部分粘黏害虫检测的准确性。(3)由于Faster-RCNN检测速度慢,不能实现实时检测,不能满足病虫害监测系统的需求。本文引进可以实现实时检测的SSD目标检测框架,并在SSD的基础上针对害虫体积小的特点进行改进:利用反卷积实现高层和低层特征融合,然后利用融合后的特征重建特征金字塔,再利用重建后的特征金字塔进行逐层检测,以训练适合害虫识别的模型,并在识别的基础上实现了害虫的分类计数。