针对猕猴桃叶部病害识别难度大、识别精度低等问题,研究传统机器学习与深度CNN相结合的病害识别方法,主要研究内容如下:(1)首先对待识别的猕猴桃病害叶片进行预处理,从而保证获得更好的识别效果。预处理主要包括图像的噪声处理及目标区域的分割处理。在叶部病害图像的降噪部分,用局部小矩阵实现像素值的数值平均,从而消除噪声点。将RGB颜色空间图像转化为LAB颜色空间图像,再使用K-means分割算法分割病害叶片背景,最后采用Otsu分割方法进行图像分割,得到病斑图像,实验表明,这种病斑分割方法分割效果比较好。(2)特征提取与选择。对常见的三种病害叶片图像进行特征提取与选择,利用支持向量机分类模型进行病害识别。以MATLAB为开发工具,设计GUI操作界面,构建猕猴桃叶片病害识别系统。(3)由于猕猴桃病斑一般所占区域较小,很难利用传统方法实现精确的分割,因此本文提出了一种改进的VGG16网络对其进行精确识别。为了获得更好的训练效果,将已完成训练的模型直接使用,在其权重和偏置的基础上进一步对其进行调整,使用这种方法可以大大加快模型的训练速度。同时,使用迁移学习的方法进行参数的获取,可以在一定程度上避免叶片图像数量不足的问题。在传统的VGG16模型当中,通过引入选择性卷积(Selective Kernel Convolution,SK卷积)模块,使用全局平均池化来代替全连接层,解决全连接层因大量参数优化而带来的过拟合问题。实验结果表明:该算法与其它传统网络模型相比,能够更准确、快速地识别出猕猴桃病害叶片上的微小病斑,为自动化控制猕猴桃病害提供了一定的理论依据。