田间昆虫监控是农业生产系统中至关重要的环节之一,传统的田间昆虫监控工作依赖专业植保人员进行调查,时效性和准确性均难以得到保证,不能满足当前的植保预测预报需求。近年来计算机技术迅速发展,为实现自动化田间昆虫监控提供了技术基础。基于图像的昆虫识别与分类是当下昆虫自动监控领域的研究热点之一,近年来基于深度学习的计算机视觉技术迅速发展,为实现自动化田间昆虫监控提供了新思路。本文研究了基于深度学习的目标检测算法对农业灯诱昆虫图片的检测与分类。首先建立了田间灯诱昆虫图像数据集,在此基础上训练田间昆虫自动检测与分类模型,最后在此基础上进行改进,并提出了一个轻量化的田间昆虫检测与识别算法。本文主要的工作和研究成果如下:（1）利用昆虫趋光性,使用农业灯诱昆虫吸引昆虫并拍摄昆虫图片共3300张。首先对图片进行预处理,之后使用VOTT标注软件对图片中的昆虫进行标记和分类。选取了3000张图片作为训练集,使用仿射、噪音、模糊、色彩调整手段对这些图片进行了增强,扩充后的数据集中包含图片共计12000张。依托标注后得到的图片和标注文件,建立田间灯诱昆虫图像数据集。该数据集具有一定通用性,可以用于各类模型训练,为今后进一步研究田间灯诱昆虫的检测与分类技术提供了数据支撑。（2）通过理论概述和分析,本文选择高性能的目标检测算法YOLOv3研究了农业灯诱昆虫图片的自动识别技术。基于Docker容器化服务搭建了Tensorflow深度学习框架,对田间灯诱昆虫图片数据集进行训练,提出了一个田间灯诱昆虫自动检测与识别模型,该模型能有效检测8类昆虫。使用300张测试集图片进行评估,结果显示,模型平均精度均值m AP达到69.27%,证明了模型可以有效检测与识别田间昆虫。（3）根据原始的YOLOv3目标检测算法在田间灯诱昆虫图片检测与识别任务中存在的不足,以及农业生产环境下对低成本检测模型的需求,在YOLOv3算法的基础上进行改进并提出了一个轻量化的田间昆虫自动检测分类模型。改进后的算法引入了深度可分离卷积和广义交并比,使用了重新设计的特征提取网络。使用测试集对昆虫的结果表明改进后的模型m AP提升为1.71%。通过可视化分析展示了模型提取的昆虫特征,证明了模型能有效从复杂图片中提取到昆虫特征。最后,比较了改进与经典的目标检测算法包括Faster R-CNN（VGG16）、YOLOv3和YOLOv3-tiny,证明了模型在资源占用、速度、准确性上相对传统算法均有优势。本研究的建立了田间昆虫图片数据集,并训练出一个轻量化昆虫检测模型,在保持低资源占用的同时拥有良好的识别效果,为今后田间自动化昆虫监控设备的研究奠定了基础。