我国是一个农业大国,玉米作物更是我国的主要粮食作物之一,保障粮食安全急需新兴技术的参与。在此背景下,越来越多的研究者针对玉米作物病虫害问题进行研究,大多数研究工作采用机器学习算法模型,如SVM（Support Vector Machines）。在深度学习技术逐渐成为研究重点以后,许多的研究人员尝试将深度学习模型应用于玉米病虫害问题,从最初的比较简单的VGG16（Visual Geometry Group Network）模型到较为复杂的Res Net（Residual Network）模型,大大促进了智慧农业的发展。然而,这些研究者开发的系统大多局限于实验室,具有推广成本高、农民难以操作、识别精度低等不足。本论文针对玉米作物病虫害问题,提出了一种改进的Mobile Net模型的移动端玉米叶片病虫害识别方法。具体工作如下:（1）数据采集及预处理。采集玉米健康叶片、大斑病叶片、小斑病叶片、玉米锈病叶片的图像共计1406张作为数据集。同时对数据集进行图像预处理。（2）Mobile Net网络的改进及训练。将模型的全连接层替换成1×1的卷积层,得到改进了的Mobile Net模型（Improved Mobile Net,IMN）。对IMN模型采取迁移学习的学习方式进行训练,得到一个可以准确识别四种类别玉米叶片的模型。（3）IMN模型与已有模型的对比试验。为探究本研究提出方法与传统方法的差异,本研究搭建SVM和VGG16模型作为对比模型,根据对比试验结果可知:IMN模型在采取迁移学习的学习方式,学习率设置为0.001时,IMN模型在三个epochs后就接近收敛,准确率达到了98.25%。VGG16模型在采取迁移学习的学习方式,学习率设置为0.001时,经过三个epochs后,模型准确率为75.25%,模型并未收敛。本研究中搭建的SVM模型采用RBF作为核函数,采用多分类策略,通过IMN与SVM的对比实验也反映出,IMN模型精度要高于SVM模型。（4）探究不同训练方式以及学习率对模型的影响实验。本研究对同一模型采取迁移学习和从零学习两种学习方式进行试验,从实验结果上可以看到,采取了迁移学习策略训练的模型收敛速度远大于采取从零学习策略的模型,准确度、泛化能力也优于后者。通过对同一模型采取同一学习方式,设置不同的学习率,可以得出,学习率为0.001的情况下,评价模型的两个指标,收敛时间和模型准确率均为最优。（5）玉米叶片病虫害识别APP的搭建。在PC端将模型转换成能够移植到手机端的格式,在Android平台上开发玉米叶片病虫害识别APP,将模型移植到手机端。APP具有本地预测和实时预测两大功能。本研究对经典的Mobile Net模型进行改进,得到IMN模型,并采用迁移学习的方式对IMN模型进行训练。最后将训练好的IMN模型部署在移动端上,并取得了较好的识别效果。