苹果种植过程中容易受到病害侵染,影响我国苹果产业的健康发展。苹果叶部病害是一种患病部位位于果树叶片上的苹果病害,叶片患病后通常会变色甚至脱落,从而削弱树体的抗病能力,降低苹果的产量和品质,造成经济损失。因此,快速、准确地识别出苹果叶部病害的类别及严重程度,对于精准防治苹果病害,减少由此带来的经济损失具有重要意义。传统意义上最常用的病害识别和严重程度估计方法是由植保专家根据以往的经验进行鉴定,但是由于鉴定手段的主观性,加上农作物本身具有复杂的外部形态,因此很难对其进行精准识别。计算机技术的飞速发展使苹果叶部病害的自动化识别成为可能,大量研究人员利用计算机视觉技术进行识别,大多采用传统图像处理方法,该方法主要是人工对病害叶片的特征进行选择和提取,不仅费时、费力,而且普适性和迁移性较差。近年来,卷积神经网络在图像识别领域取得了优异的成绩,卷积神经网络无需手动选择特征,而是通过网络训练自动提取图像特征,比传统图像处理方法效率更高。本文以苹果疮痂病、黑腐病、锈病叶片为研究对象,使用卷积神经网络对病害进行识别和严重程度估计。本文的主要研究内容及结论如下:（1）建立了一个包含苹果疮痂病、黑腐病、锈病三种苹果叶部病害的图像数据集。该数据集主要由两种不同背景的病害图像组成,一种为简单背景,为实验室场景下拍摄,背景通常为单一的白、黑板,共收集到892张,另一种为复杂背景,为真实果园场景下拍摄,代表了叶片在果园内真实的生长环境,共收集到998张。采用数据增强的方法将图像数据扩增至10020张,对其进行归一化处理,最终建立苹果叶部病害图像数据集。（2）以Shuffle Net v2轻量级卷积神经网络模型为基础,提出了一种改进型Shuffle Net＿ours苹果叶部病害识别模型。该模型首先对原始基本残差单元进行改进,通过引入双层深度可分离卷积和SE通道注意力模块以提高模型的特征提取能力,移除主分支末端的点卷积以降低复杂度。使用改进后的基本残差单元构建网络模型,为使网络在第一个卷积层提取到足够多的特征,将第一个卷积层和最大池化层输出通道数量从24扩展为32,并对模型的全连接层进行初始化,使用3个目标的Softmax分类器替换掉原始Softmax分类器。结果表明:该模型能有效地识别出苹果疮痂病、黑腐病和锈病叶片的类别,在测试集上的平均识别准确率达到了96.81%,在相同实验条件下将其与Mobile Net v2、Mobile Net v3 large、Ghost Net、Shuffle Net v2 1×、Shuffle Net v2 1.5×模型进行对比,该模型在识别准确率、模型复杂度、模型参数量、模型大小等方面都具有一定的优势,综合诊断性能良好,可以满足果农对病害识别精度的需求。（3）以YOLOv5目标检测模型为基础,提出了一种改进型YOLOv5＿ours苹果叶部病害检测模型,并基于该模型对病害的严重程度进行估计。该模型将原始主干特征提取网络中SPP模块之前的部分用去掉了Conv5层和FC层的Shuffle Net＿ours模型进行替换,并将SPP模块之后含有大量参数的CSP2＿x模块用深度可分离卷积进行替换,为进一步降低网络的计算量,将颈部网络的输出通道数量统一设置为128。结果表明:该模型对三种病斑和病叶检测的m [email protected]达到了79.5%,FPS达到了151f/s,在相同实验条件下将其与YOLOv3、YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x目标检测模型在m [email protected]、FPS、模型大小等方面进行对比,该模型在各方面具有更加优异的性能。最终根据该模型目标检测的结果计算单张图像中各类别病斑区域和病叶区域检测框总面积的比值,并参照病害严重程度的分级标准来估计病害的严重程度。（4）为了更好地实现苹果叶部病害识别的应用,设计并开发了一款苹果叶部病害识别及严重程度估计系统。该系统基于Flask和Vue框架,集图像上传、病害识别、病害严重程度估计、结果展示等多个功能模块于一体,可以作为果农日常使用的一款苹果叶部病害诊断工具。本文提出的苹果叶部病害识别和严重程度估计方法及应用可以实现苹果疮痂病、黑腐病、锈病的有效识别及严重程度估计,可为设计高效、轻量的病害诊断模型提供思路和参考。