榆树是东北地区常见的树种,也是重要的经济树种和观赏树种。但在其生长过程中经常受到害虫侵扰。近年来,使用深度学习模型对图像中的害虫进行识别与定位逐渐成为研究的热点。从具有复杂背景的榆紫叶甲虫图像中准确的对其进行识别与定位,为虫害治理提供依据具有十分重要的意义。本文以自然环境中拍摄的榆紫叶甲虫图像为研究对象进行了研究,主要内容如下:对比典型的传统目标检测算法对榆紫叶甲虫图像中的目标进行识别、定位的效果,提出使用基于卷积神经网络的识别方法,对图像进行无模版的特征提取,将榆紫叶甲虫的识别过程分为两步骤。首先,使用Faster R-CNN网络对图像中的榆紫叶甲虫进行粗识别与定位,利用矩形框对其进行框定,排除复杂背景的影响。其次,使用卷积神经网络对Faster R-CNN的框定结果进行精细分类,排除与榆紫叶甲虫特征相似的其他种类害虫的干扰。达到精确的将图像中的目标榆紫叶甲虫进行识别与定位的目的。粗识别定位阶段:标准Faster R-CNN 网络识别图像中的榆紫叶甲虫时,网络生成的标准初始候选框长宽比与榆紫叶甲虫本身的形态学特征不符。针对该问题,提出一种基于聚类算法的自适应聚类中心点个数的Faster R-CNN网络。首先,使用k-means聚类算法结合BWP指标对榆紫叶甲虫训练数据标签中矩形框的长宽值进行聚类,得到聚类中心点。然后,用聚类中心点代替标准初始候选框生成的长宽比,使网络生成的初始候选框更加贴合榆紫叶虫,减少矩形框后期精修时平移的位移量;同时针对初始候选框的尺寸对榆紫叶甲虫来说冗余过大的问题,对初始候选框的尺寸进行调整,达到更加准确对其进行框定的目的。精细分类阶段:针对改进后的网络出现的误将个别与榆紫叶甲虫特征相似的其他种类害虫识别为目标榆紫叶甲虫,并对其进行框定的现象。提出利用卷积神经网络对Faster R-CNN的框定结果做细致分类。首先,设计并搭建进行细致分类的卷积神经网络,针对Faster R-CNN 网络的输出矩形框大小不一,导致卷积层输出的特征向量长度不同而无法分类的问题,将网络最后一层池化层替换为可将特征进行尺度归一化的网络;其次,对训练细致分类卷积神经网络的数据进行多尺度划分与锐化预处理,并训练卷积神经网络;再次,提取Faster R-CNN结果图中矩形框内的区域,并对其进行预处理,增加目标与干扰物、背景之间的特征差异;最后,将网络识别结果重新标记回原图,得到最终识别与定位结果。通过对榆紫叶甲与叶片豁口相邻、两只榆紫叶甲虫相邻、与榆紫叶甲特征相似的干扰类害虫的图像进行识别,并将本文算法与其他两种目前主流的深度学习目标检测算法识别榆紫叶甲虫图像的效果做对比分析,证明了本文算法的有效性。