通过计算机对农作物病虫害图像进行快速、准确的分类,有助于农作物病虫害的精准诊断和后期针对性的农药喷洒,对于农业领域的发展具有较大意义。针对此,本论文主要设计实现了一个图像识别的网络模型,来对农作物病虫害进行快速、准确诊断的同时,有一个较强抗干扰能力的提升,以便在实际拍摄环境下也能准确判断,从而促进农作物病虫害的智能识别及精确农业知识普及和推广,提高农作物病虫害的诊断和防治,为后期智能农业提供识别基础。本文主要创新点在于在引入自注意力网络[1]的同时在卷积神经网络识别第三层,将自注意力框架中的Soft Max改为Sigmoid实现网络的记忆与遗忘(类似LSTM)[2],在后期卷积层间添加自注意力网络,由于此时经过多次池化层与卷积核提取,图像矩阵缩小,使用Soft Max可以更好的对矩阵全局进行提取,这两种自注意力网络的结合使用,可以更好地让模型去遗忘干扰区域,并关注到农业病虫害图像的细微差别,实现对模糊不清、虫害区域小的图像更加精确处理。经实验验证,将这两种自注意力网络的结合使用,效果要优于仅使用其中之一带来的好处,在本课题所选数据集上,测试准确率达到90.59%,突破了90%界限优于现有方法0.45%,并且在添加了干扰噪声后模型相对其余方法有更好的表现。综上所述,基于本论文所提出的研究,主要实现了针对农作物病虫害图像识别的高精确度、强抗干扰能力的快速诊断模型,为农业领域后期针对性防治以及农药喷洒提供相关的技术支持,具有较好的理论研究意义以及应用价值。