农作物病虫害是农业生产中重要的生物灾害,一直以来都是制约农业高产、优质、高效、生态、安全的主要因素之一。据联合国粮农组织（FAO）估计,全世界每年因病虫草害损失约占粮食总产量的三分之一,其中因病害损失10%,因虫害损失14%,因草害损失11%。条锈病是小麦的最重要病害之一,一般中等发生的小麦条锈病可致小麦减产20-30%,严重时可导致减产60%以上。目前小麦条锈病的防治仍以化学防治为主,但化学农药的长期使用会导致病菌产生抗药性,造成环境污染、土地结块,生产成本增加。而病害调查多以人工识别为主、耗时耗力,主观性较强,造成农药多施措施。近年来,多种遥感数据被广泛应用于小麦、水稻、玉米等大宗粮食作物病虫害的监测,为作物病害精准施药提供技术支持,但因为设备造价高昂,数据获取时对天气要求较高,对病情的监测有一定的时效局限性。随着机器学习算法的不断发展,一种可以自主寻找大量图片特征并进行学习的深度算法被广泛应用,利用手机所拍摄图片结合深度学习算法对作物病害进行识别成为一种更为便捷、迅速的手段,可为小麦的精准施药提供更为有力的技术支撑。本文以手机拍摄的RGB图像为数据源,使用深度学习为基本框架,针对小麦条锈病病害等级识别的方法,开展以下研究:（1）小麦叶片图像采集与图像增强预处理。本文在河南农业大学小麦育种试验田使用手机进行小麦条锈病不同病害程度图像采集,为了还原小麦生长环境,在阴天晴天均有采集,拍摄过程中容易受到不同光照拍摄角度影响,为了提高模型泛化能力,防止模型在训练过程中出现的过拟合问题,本文首先采用小波变换、高斯低通滤波、中值滤波以及几何变换等方法,其次利用python编程,实现图像的统一缩放而不产生图像变形,然后使用Label Img工具对目标区域进行标注,最终构建小麦条锈病病害等级数据集。（2）复杂背景分割方法研究。为减少小麦叶片图像中复杂背景对病害等级检测的影响,针对图像中包含其他无关叶片、裸地、杂草等复杂背景分割困难的问题,本文构建了YOLOv5s与Grab Cut相结合的分割模型。为了验证本文分割方法的有效性,主要采用Io U和PA作为分割效果评价指标进行对比分析。K-means和Deep Lab V3的PA在80%以上,Io U在80%左右,本文分割算法PA和Io U都能达到90%以上。结合YOLOv5s的Grab Cut算法能够实现自动化的叶片分割,与K-means聚类分割等传统去除背景的方法相比,本文提出的算法能够在复杂背景中依然获得较高的分割率。（3）小麦条锈病病害等级识别方法研究。本文以Res Net50为基础网络模型架构,为了增大感受野,提取更细粒度图像特征,改进了原模型,加入了多尺度特征提取的Inception模块。改进后的模型B-Res Net50网络模型（Better-Res Net50）在准确率、召回率、平均准确率等方面都得到了提高。实验结果表明:B-Res Net50网络模型在小麦条锈病叶片数据集上的识别率为97.3%,与Inception V3（87.8%）、Dense Net121（87.6%）、Res Net50（88.3%）相比准确率大幅提升。