我国是一个农业生产大国,作物种类多,也是病害频发、重发的国家。病害的发生呈现出类别多、范围广、频率高、程度重的特点,对国民经济、农业生产,尤其是粮食安全产生极大的影响。比如,仅2019年全国主要病害发生面积达43亿亩次,马铃薯晚疫病、玉米叶斑病等在我国部分地区中等发生,给农民造成一定的经济损失。作物病害分类研究中,往往仅对病害类别进行分类识别,未对病情严重程度进行细致分类。本文使用包含马铃薯、玉米、番茄等10种不同作物的数据集,并根据作物病害的种类及病情状况（一般和严重）细分为60个类别,基于深度卷积神经网络以及迁移学习,进行作物病害图像分类研究。主要工作内容如下:（1）构建一个轻量化的深度卷积神经网络。该网络模型由输入层、四个卷积层、四个池化层、一个全连接层及输出层构成。将其在作物病害数据集上训练,训练过程采用数据增强、Dropout、Adam优化算法等,在100次较少的迭代周期内训练出模型,达到83.75%的平均分类正确率。（2）针对样本类别不平衡、分类难度大的问题,利用迁移学习构建VGG19、Inception V3、Res Net50V2和Mobile Net V2等深度迁移模型。接着,对数据集进行迁移训练,应用于作物病害分类识别;然后,对深度迁移模型的全连接层、优化损失函数以及预训练模型微调进行对比,选出满足实际需要的VGG19深度模型进行训练;从而,提高模型泛化能力,并实现特征提取过程的可视化。实验结果表明,该模型在作物病害分类任务中,优于其他深度迁移模型方法;可以在50 epoch内得到快速收敛,在200epoch内准确率达到96.26%。综上,本文提出的轻量化深度卷积神经网络,能够对作物叶片病害进行快速分类;利用迁移学习,微调VGG19预训练模型,可有效提高作物叶片病害识别的准确率与泛化性能;对作物病害的病情状况进行细分类,有利于了解作物受害程度,为科学使用农药及化肥的范围和数量、减少农药残留,具有参考意义。