番茄作为我国重要的农作物,其产量会受到叶霉病、花叶病、斑枯病等数十种番茄常见病害的影响。如果能够在番茄发病早期对病害进行准确的诊断识别,及时采取措施对病株进行针对性治疗,便可以在一定程度上减少番茄产量的损失,这一过程的重点在于如何对番茄病虫害进行快速准确的诊断。传统的番茄病害检测诊断是以专业技术人员为核心,利用技术人员的知识经验来对番茄病虫害进行诊断。然而传统的检测方式在技术人员的数量、检测的速度、防治面积以及检测的准确性等方面存在一定的局限性,并不能充分满足农业现代化、信息化的需求。为了克服以上局限性、实现农业信息化,本文基于深度学习中数字图像识别的理论,构建了深层卷积神经网络,并使用网络模型对番茄叶片进行分类试验,研究结果表明,新的诊断方案对番茄常见的十种病虫害具有很高的识别准确率。本文首先构建了具有18个卷积层,2个残差块,1个最大值池化层,1个扁平化全连接层还有1个分类层的残差神经网络模型,构建的模型获得了 86.9%的测试准确率。基于番茄叶片对病虫害进行分类属于细粒度分类任务,因此对原残差神经网络模型进行改进,构建了双线性残差神经网络模型,新的网络模型在测试数据集上获得了 93.125%的准确率。然后使用VGG16、Inception-V3等传统神经网络模型与本文构建的网络模型进行对比,试验结果表明,双线性残差网络模型具有更高的识别准确率。最后使用葡萄、玉米、马铃薯等农作物叶片数据集对双线性残差网络模型进行训练识别研究,在这些数据集上,模型获得了比番茄叶片数据集更高的识别准确率,表明模型不仅具有优秀细粒度分类识别能力而且具有可靠的可移植性。