虫害是影响农作物产量和质量的主要危害之一,如何对害虫进行准确、及时地识别,从而进行有效防治,对农业生产尤为重要。目前,害虫识别大多是依靠农业专家“眼观手查”进行,存在费时、费力、主观性强、易出错等问题。为此,国内外学者围绕害虫图像检测识别理论方法与系统开展大量研究工作,为害虫智能诊断与预警提供技术支持。由于在田间非约束条件下,害虫图像本身存在着种间相似、尺度不一、姿态变化、光照影响、作物遮挡等问题,传统的害虫图像检测识别方法精度低,模型泛化能力弱。相比传统方法,近年来兴起的深度学习技术和方法,在计算机视觉领域包括害虫图像检测识别应用尤为广泛,在一系列大规模、细粒度的检测识别任务中表现出色,也逐步成为解决农业害虫图像检测的优选方案。本文将对深度学习的害虫图像目标检测方法与理论开展系统性的研究,包括新型卷积神经网络架构、害虫图像目标检测框架优化方法,探索切实可行的农作物害虫图像检测任务的新方法,提出更加有效的害虫目标检测算法。本文的主要工作分为以下几个方面:1.构建两种大规模害虫图像标准数据集。通过近5年的积累,根据应用场景的不同,分别从野外农田环境和害虫测报灯下环境两个方面,构建两种大规模害虫图像标准数据集Multi-class Pest Dataset 2018(MPD2018)和AgriPest。从害虫检测任务的角度,对采集到的大规模害虫图像进行专业性的害虫目标标注,并从实际害虫检测难点出发,对数据集进行深入的分析。MPD2018和AgriPest分别包含8.8万与4.9万张害虫图像,以及对应的58.2万和26.4万害虫目标数据标注,并设计基准实验验证数据集的有效性与适用性。2.提出了一种基于混合全局与局部特征的农作物害虫图像检测方法。以两阶段目标检测框架为基础,在提高图像全局特征表征方面,设计通道注意力模块和空间注意力模块以协同构建全局激活的特征金字塔网络,提取高质量害虫图像全局特征。与此同时,在害虫图像的局部特征上,通过构建局部激活的区域生成网络,融合害虫区域多种尺度的上下文信息,通过自注意力机制以强化害虫目标的局部特征表示。最终,融合全局与局部害虫图像深度特征,实现害虫图像检测与识别。与最新目标检测算法相比,本文所提方法在本文构建的MPD2018和AgriPest数据集上达到了目前最优效果,进一步验证所提算法在农作物害虫检测任务上的有效性。3.提出了一种基于尺度自适应感知特征的通用害虫目标检测器。通过构建RoI特征金字塔结构在各层特征图上提取局部特征。随后,为了实现层级特征间的尺度感知自适应,设计一种可学习的加权门函数自适应地学习不同目标尺寸在RoI特征金字塔中各层的权重,从而进一步实现尺度感知下的自动局部特征融合。大量的实验结果表明,所提方法在大规模公共数据集上达到了最优的检测性能,同时在本文研究的农作物害虫检测任务上也表现出色。