为解决已有的卷积神经网络在小样本葡萄病害叶片识别的问题中出现的收敛速度慢, 易产生过拟合现象等问题, 提出了一种葡萄叶片病害识别模型 (Grape-VGG-16, GV), 并针对该模型提出基于迁移学习的模型训练方式. 将 VGG-16 网络在 ImageNet 图像数据集上学习的知识迁移到本模型中, 并设计全新的全连接层. 对收集到的葡萄叶片图像使用数据增强技术扩充数据集. 基于扩充前后的数据集, 对全新学习, 训练全连接层的迁移学习, 训练最后一个卷积层和全连接层的迁移学习 3 种学习方式进行了试验. 试验结果表明, 1) 迁移学习的 2 种训练方式相比于全新学习准确率增加了 10~ 13 个百分点, 并在仅训练 25 轮达到收敛, 该方法有效提升了模型分类性能, 缩短模型的收敛时间; 2) 数据扩充有助于增加数据的多样性, 并随着训练次数的增加, 训练与测试准确率同步上升, 有效缓解了过拟合现象. 在迁移学习结合数据扩充的方式下, 所构建的葡萄叶片病害识别模型 (GV) 对葡萄叶片病害的识别准确率能达到 96.48%, 对健康叶, 褐斑病, 轮斑病和黑腐病的识别准确率分别达到 98.04%, 98.04%, 95.83% 和 94.00%. 最后, 将最终的研究模型部署到移动端, 实现了田间葡萄叶片病害的智能检测, 为葡萄病害的智能诊断提供参考.