控制栽培植物葉片病害對作物產量和品質至關重要，葉片癥狀和環境信息是農作物病蟲害識別的基礎。由于病害葉片癥狀和環境信息的復雜性與多樣性，農作物病害檢測方法的準確性有所降低。針對病害識別效率低和特征建模困難的問題，研究提出一種新的深度學習算法并取得理想結果。研究利用改進的卷積神經網絡（convolutional neural networks，CNNs）SPDNet 和 GrNet（SPDGrNet）進行玉米（Zea mays）病害識別，重點分析玉米健康、葉枯病、南方葉枯病和灰斑病四類癥狀。實驗結果表明，該方法優于其他優秀的植物病害識別算法，總體分類準確率達 98.96%。與 AlexNet、VGG-16、Inception-V4、ShuffleNet-V3 和 Efficient-B7 相比，該模型準確率分別提升 27.78%、19.05%、14.59%、10.28% 和 7.06%，對應準確率分別為 71.18%、79.91%、84.37%、88.68% 和 91.9%。該模型在 PlantifyDr、Plant Pathology 和 New Plant Diseases Dataset 等開源數據庫中具有出色的泛化能力。該策略可為模型移植到移動病害檢測設備提供思路，對農業系統智能化發展和農作物葉片病害分析具有重要意義。