松树是世界上最丰富的树种之一,为我国绿化荒山做出了巨大贡献。松树在生长过程中很容易受到病害侵染,其中松树的松材线虫病具有很强的传染性,感染松材线虫病后的松林3-5年内便会毁灭。对于病害松树的防治,最有效的方式就是快速准确地检测到病害松树并将其根除。由于山区地形条件的限制,采用人工方法很难及时准确地调查松树病害,故本文利用无人机（Unmanned Aerial Vehicle,UAV）来获取病害松树图像。在进行病害松树检测时,传统机器学习算法一般通过人工提取目标特征,检测的准确率难以保证。深度学习算法通过网络及参数的优化自动学习病害松树的颜色及纹理特征,对特征提取具有较好的鲁棒性,可以较为准确地检测病害松树。由于地理及物理条件的限制,本文获取的无人机图像有限,故采用深度卷积生成对抗网络（Deep Convolutional Generative Adversarial Networks,DCGAN）和Python的数据增强包Augmentor对训练样本进行扩充,以解决由于数据不足或者数据不平衡可能造成的训练模型过拟合、泛化能力不足、模型识别精度不高的问题。本文利用深度学习算法对无人机图像中的病害松树进行检测,主要内容如下:1、介绍了病害松树检测的研究背景和意义,分析了相关领域的国内外研究现状。介绍了本文研究区域的地理位置,环境气候,病害松树感染情况,无人机的参数信息。使用Label Img和Labelme对病害松树遥感图像做标签。2、利用无人机采集的高分辨率可见光松树图像,给出一种Mobile Net网络与Faster R-CNN网络相结合的病害松树检测方法。Mobile Net网络用于松树背景信息的去除,以降低背景信息对病害松树检测效果的影响。Faster R-CNN算法用于区分病害松树和健康松树,提高对病害松树检测的准确率。由于可用的遥感图像不足,对DCNN的训练样本进行了数据增广。实验结果表明,所提出的方法要优于支持向量机（Support Vector Machine,SVM）、Ada Boost等传统的机器学习算法,也优于Alexnet、Inception、Faster R-CNN等深度学习算法。通过样本扩充和背景信息的去除,所提方法实现了无人机图像中病害松树的有效检测。3、利用无人机采集的高分辨率可见光松树图像,给出一种Inception＿v2网络和U-Net网络相结合的病害松树检测方法。首先,依次使用Inception＿v2网络和U-Net网络对病害松树图像进行两次背景去除。第一次背景去除时,Inception＿v2网络对病害松树遥感图像进行分类,对分类为松树背景的图像进行背景去除。第二次背景去除时,利用U-Net网络分割松林,对不是松林的图像信息进行第二次背景去除。然后,利用U-Net网络实现病害松树的检测。由于可用的遥感图像有限,对DCNN的训练样本进行了数据增广。该方法考虑到阴影类别中可能含有病害松树,并用ACDSee进行处理,来防止阴影环境中病害松树的漏检或错检。同时为了更有效地进行背景去除,从背景前景两个角度出发,利用先分类后分割的方法进行了两次背景去除。实验结果表明,相比于SVM、Ada Boost的传统机器学习算法和Inception、Faster R-CNN、U-Net等深度学习算法,所提出的方法具有较高的检测精度。