随着人们生活水平的提高,我国花卉产业规模及养花赏花人群逐年扩大,花卉在环境保护、美化庭院、食用药用、陶冶情操、出口销售等方面的应用逐步增多。月季作为花卉中产量最高、大众接受度最广的品种,具有相当可观的产业规模和完整的产业链,但月季病虫害作为月季培育过程中无法避免的因素与月季最终的产量和观赏性息息相关,当前月季病虫害防治工作多通过人工定时定点观测的方式并且高度依赖个人的栽培经验,对于大规模月季种植基地而言,该方法人力成本高、耗时较长、效率低下,同时具有较高的学习成本。同时难以对初期从业者和家庭种植爱好者提供对应的指导帮助,缺乏切实有效的月季病虫害问诊途径;因此,利用深度学习和计算机视觉技术进行月季病虫害检测研究具有实际应用价值,是辅助月季种植基地病虫害防治工作、进一步实现月季病虫害检测应用的重要基础。本文以月季病虫害为研究对象,针对自然环境下多叶片病虫害检测问题进行研究,提出一种分步月季病虫害检测方法PDDIP（Phased Detection of Diseases and Insect Pests）,将自然背景下月季病虫害检测分为先进行月季叶片检测再进行叶片区域病虫害检测两步,并根据月季病虫害特征及各目标检测模型特点进行改进优化,从而实现自然环境下的月季多叶片病虫害检测。本文的主要研究内容及成果如下:（1）针对叶片检测任务,为解决自然环境中普遍存在的月季叶片遮挡问题和小尺度叶片漏检问题,本文基于具有检测速度优势的一阶段目标检测模型YOLO v3进行改进,设计并添加类Inception模块构建YOLO-in模型,对月季叶片特征进行多尺度提取和融合,并结合构建带有遮挡标签的月季叶片数据集,综合提高YOLOv3模型对小尺度目标和遮挡目标的检测精度。（2）针对病虫害检测任务,为解决月季病虫害检测任务中病虫害尺度差异较大、其中蚜虫等小尺度病虫害在卷积特征层的特征不够突出以及密集目标存在漏检情况等问题,本文改进VGG-16优化Faster R-CNN目标检测模型的特征提取能力,对月季病虫害数据集标注框聚类优化Anchor box尺寸,同时还对NMS算法进行优化,在（1）叶片检测基础上进行病虫害检测,综合提高病虫害检测模型对小尺度病虫害和密集型病虫害的检测精度。（3）由（1）和（2）联合检测实现本文提出的分步月季病虫害检测方法PDDIP方法,其中（1）构建的YOLO-in模型结合分类标记方法相对于原YOLOv3模型,其叶片平均检测精度提高了14.06%,（2）中优化后的Faster R-CNN月季病虫害检测模型相较原Faster R-CNN模型,病虫害检测精度提高6%。最终结果表明,在自然环境下PDDIP方法比YOLOv3模型的病虫害检测精度高14.48%,相较Faster R-CNN模型的病虫害检测精度提高了8.74%,能够有效减少图片背景包含的非感兴趣因素导致的误检情况发生。