为了积极响应国家农业部办公厅下发的农业农村大数据实践案例的通知,以水稻生长阶段图像为切入点进行研究。水稻各时期的生长状态直接影响着水稻的产量和品质,因此及时判别水稻生长阶段长势优劣的正常稻与非正常稻便成为了农业发展的重中之重。传统的人工观测方法效率低下,消耗了大量的人力资源,其观测的结果存在一定的主观性;采用遥感监测易受云雨天气影响且观察范围广,不适合实时快速地对小区域稻田中的水稻长势进行监测与判别。为弥补以上方法的不足,研究采用在机器视觉领域兴起的对二维图像识别具有独特优势的卷积神经网络对农业园区定点摄像头采集的水稻生长阶段优劣长势的图像进行研究与分析。期望通过机器深度学习的方式来提高对水稻生长阶段优劣长势的自动、快速判别程度。首先,采集样本并建立数据库。试验数据来源于黑龙江省大庆市杜尔伯特蒙古族自治县、齐齐哈尔讷河市等农业科技园区水稻试验田;通过查阅相关文献构建了水稻生长阶段正常稻与非正常稻的划分标准,为优劣水稻的判别提供依据;将水稻生长阶段的图像共分为6类。利用K最近邻分类器方法对每类的图像进行合理的划分训练图像和测试图像。其次,构建水稻生长阶段优劣长势的卷积神经网络模型。原始图像进行剪切变换、灰度阈值法分割等预处理操作后作为模型的输入,建立输入-卷积-池化-卷积-池化-全连接-全连接-输出的网络模型,其卷积核大小为5*5,池化层采用max-pooling方式,输出采用Softmax分类器,通过卷积与采样运算对240张小批量样本与3600张大批量样本分别进行试验,经200次迭代模型的准确率为87.0588%、93.5936%。小批量样本试验验证了模型的可靠性,大批量样本试验验证了模型的泛化能力。最后,采用粒子群算法(PSO)优化水稻生长阶段优劣长势的卷积神经网络模型。通过反向传播优化网络中各层间的权值,粒子搜索全局最优解来优化水稻生长阶段优劣长势模型,使模型具有更快的收敛速度与更高的准确率。网络权值经编码操作赋予粒子,粒子经解码操作赋予网络权值,并设置种群数量、惯性量、学习因子变量等参数。优化后对240张小批张量样本与3600张大批量样本进行试验,模型的准确率为97.2633%,99.0133%。优化后的模型具有很好的性能与稳定性。研究表明,卷积神经网络为水稻优劣长势判别方法提供了另一途径,同时也拓展了卷积神经网络在农业作物长势领域中的应用,为后续的研究提供理论依据。