深度学习在语音识别、视觉识别等领域受到越来越多的关注。在图像处理领域，采用深度学习方法可以获得较高的识别率。本文采用卷积神经网络作为深度学习的基本模型。分析了该模型的不足，并将DBN用于病虫害的图像识别。在实验中，首先，我们选取了10种病虫害叶片和50000种正常叶片，分别用于算法性能的比较。在病虫害种类的判断中，本研究提出的算法能够最大限度地识别各种病虫害，但相应的软件（openCV、Access）识别精度会随着病虫害类型的增加而逐渐降低。在本研究中，提出的病虫害识别算法保持在45%左右<\/p> “，”DOI“：”10.4018\/ijcini.295810“，”type“：”journal-article“，”created“：{”date-parts“：[2022,1,4]]，”date-time“：”2022-01-04T19:53:37Z“，”timestamp“：1641326017000}，”page“：“1-21”，“source”：“Crossref”，“is-referenced-by-count”：1，“title”：[“基于深度学习的植物病虫害图像识别研究”]，“前缀”：“10.4018”，“卷”：“15”，“author“：[{”given“：”Wang Ke“，”family“：”Feng“，”sequence“：”first“，”affiliation“：[}”name“：”江苏工业大学“}]}，{”fixed“：”Huang“，“family”：”薛华“，”serquence“:”additional“，”feliation“:[{“name”：”Hunan City University，China“}]]，”member“：”2432“，”container-title“：[”国际认知信息学与自然智能杂志“]，”original-title“：[]，”language“：”ng“，”link“：[{”URL“：”https:\/\/www.igi-global.com\/viewtitle.aspx？TitleId=295810“，”content-type“：”unspecified“，”content-version“：”vor“，”intended-application“：”similarity-checking“}]，”deposed“：”{“date-parts”：[2023,16]]，“date-time”：“”2023-01-16T21:56:42Z“，”timestamp“：1673906202000}，”score“：1，”resource“：{”primary”：{“URL”：“https:\/\/services.igi-global.com/resolvedoi\/resolve.aspx？doi=10.4018\/IJCINI.295810”}}，“subtittle”：[“”]，“shorttitle”：[]，“issued”:{“date-parts”：[2022,1,12]]}，，“references-count”：0，“journal-issue:{”问题“：”4“，”published-print“：{”date-parts“：[[2021,10]]}}，”URL“：”http:\/\/dx.doi.org/10.4018\/ijcini.295810“，”relationship“：｛｝，”ISSN“：[”1557-3958“，”1557-3966“]，”ISSN type“：[”value“：”1557-3958“，”type“：”print“｝，”value“：”1557-3966“，”type“：”electronic“｝]，”subject“：[]，”published“：[”date parts“：[[2022,1,12]}｝