我国是农业大国,农作物的病害问题严重影响着国民生活和国民经济,因此快速准确的农作物病害识别方法是尤为重要的。目前农作物病害多采用卷积神经网络（Convolutional neural network,CNN）进行识别,但高性能的卷积识别模型规模过大,对硬件设备和训练数据量的要求过高且卷积神经网络存在全局特征提取能力不足的问题。针对上述问题进行了以下研究:（1）提出一种采用非对称卷积和注意力机制优化残差网络的玉米病害识别方法。在残差网络（Res Net50）的基础上,保留其原始的残差块结构,引入非对称卷积和通道注意力机制结构,大幅度降低模型的参数量,同时采用迁移学习的方法进一步提高模型性能。将该模型应用于玉米病害检测中,实验结果表明,残差网络结合非对称卷积与通道注意力机制可以有效减小模型参数量,缩短模型训练时间且对玉米病害的识别准确率可达到97.25%。（2）提出一种通过知识蒸馏（Knowledge Distillation）和生成对抗网络（Generative Adversarial Networks,GAN）相结合的番茄病害图像识别方法。通过生成对抗网络缓解了深度学习中数据量不足的问题,并通过知识蒸馏的方式进行了模型压缩。建立大规模高精度的教师网络来指导小型学生网络学习目标特征,从而改善了小型网络的目标识别特性,实验结果显示,经过知识蒸馏后学生模型准确率提高了2.67%,参数量相较教师网络减少了88%,单次训练时间提高了一倍。（3）提出一种视觉转换器（Vision Transformer）结合Wasserstein距离GAN的苹果病害识别方法。视觉转换器不依赖卷积层进行特征提取,而是使用多头注意力机制作为主要单元,将病害图像分成小块,然后通过传播和嵌入将其转换为序列,通过位置编码和视觉转换器进行特征编码,从而找出图像内部特征的依赖关系,最后生成的序列将被发送到多个多头注意力层。实验结果表明,视觉转换器不采用卷积神经网络依然可以对苹果病害识别达到一个较高的准确率。以上研究从深度学习模型压缩和模型性能两个角度入手,为深度学习在农作物病害识别上提供了新的方法。