自人类开展农业活动以后,人们一直在追寻最有效的害虫治理方法,在早期准确识别出害虫幼虫种类有利于提前部署针对性的治理方案。近年来,越来越多的深度学习技术被用于对害虫进行图像分类工作,但现有工作中涉及到的识别对象绝大多数都是害虫成虫。在防治时间线上,对处于成虫期的害虫进行图像识别存在一定的滞后性。因此本文以害虫幼虫为研究对象展开了基于深度学习的细粒度图像分类技术研究,以提高对害虫幼虫的识别准确率。细粒度图像分类擅长分离相似的类别,但将现有的细粒度分类方法应用于害虫幼虫分类仍存在以下问题:1)现有标准细粒度图像数据集中涵盖的对象类别（如鸟类、狗、汽车和飞机）具有相同的特征,对象的各个部位区别明显,外形轮廓突出。然而,一些幼虫的身体部位特征在视觉上并不突出。同时,仅能依靠条纹和斑点等细微差别区分不同类别。2)与标准数据集中的样本相比,幼虫样本的背景环境大多比较复杂,部分幼虫个体使用拟态伪装自己,给识别带来了干扰。3)前两个问题使得模型在面对难样本时会出现置信不足的现象,无法很好地分离困难类,导致模型分类性能的不稳定或下降。针对上述三个问题,本文针对现有常规图像分类模型的网络结构和损失函数两方面进行了改进:1)针对前两个问题,本文对Res Net18的残差网络结构进行了优化。首先,设计了反卷积块,将原有的小尺度特征图进行上采样扩展,从而提高深层特征图对幼虫细微特征的表达能力。其次,在反卷积块内部额外设计了注意力块,通过先后实施通道注意力和空间注意力,减少与害虫无关的背景特征,增强害虫自身的本体特征,达到在复杂环境中定位害虫的目的。2)针对第三个问题,本文在现有多分类交叉熵损失函数的基础上,设计了一种新的损失函数SSD-Loss,可以根据当前批次的样本置信分数分布自适应地提取出三个权重（,,）。同时,本文设计了三种映射函数、、自动调整每个权重的大小,最后根据三个权重的总和放大样本原有的交叉熵损失,使得模型可以额外关注困难样本,从而减少模型的低置信度行为。本文最终提出的基于细粒度图像分类的农业害虫幼虫识别模型整合了以上两个方面改进。实验表明,本文提出的模型在农业害虫细粒度数据集Agr FIP20和大规模农业害虫数据集Agr IP138上都超过了现有的常规图像分类模型和细粒度图像分类模型。并且,本文设计了一系列对比实验,运用了五种分析方法,证明了本文模型以及改进后的网络结构和SSD损失函数的有效性和可靠性。本文以害虫幼虫识别为研究目标,设计了一种新的可适用于细粒度害虫的图像分类模型。实验证明了细粒度图像分类技术比常规图像分类技术更适用于对幼虫进行分类。本文提出的细粒度图像分类模型和相关实验则展示了在农业害虫领域进行细致分类的可行性,为后续农业生产中的害虫幼虫识别工作提供了较清晰的研究思路。