农机外包作业服务是我国农业社会化服务的重要组成部分，对于提升农业生产效率和促进农业现代化具有重要意义。基于四川、吉林和江苏3省975份农户的调研数据，运用Heckman两阶段模型和中介效应模型，实证检验社会网络对农户农机外包作业服务采纳行为的影响及其作用机制。研究结果表明：在整地和收获环节，社会网络可以促使农户采纳农机外包作业服务，还会提升其采纳程度。具体来说，社会网络每提高1%，整地和收获环节农户农机外包作业服务采纳率分别可提高53.1%和57.9%，采纳程度分别可提高6%和7.7%。不同类型社会网络对农户农机外包作业服务采纳行为会产生差异化影响。纵向社会网络的影响程度最高，每提升1%可促使整地和收获环节农户采纳率分别提高35.3%和47.4%，采纳程度分别提高4.5%和7.5%；斜向社会网络的影响程度次之，每提升1%可促使整地和收获环节农户采纳率分别提高6.8%和10.8%，采纳程度分别提高1.1%和1%；横向社会网络的影响程度最弱，每提升1%可促使整地和收获环节农户采纳率分别提高1.8%和1.3%，采纳程度分别提高0.1%和0.1%。风险偏好在社会网络和农户农机外包作业服务采纳行为的关系中起到部分中介作用。据此提出：培育和拓宽农户纵向、横向社会网络，完善农村土地经营权流转平台，提高农业服务外包市场发育水平。

植保无人驾驶航空器作为一种先进、高效率的现代农业装备近几年在我国得到快速发展，2017年首次被试点省市纳入农业机械购置补贴范围。由于补贴政策实施时间较短，存在着许多不合理的因素。整理总结2017年以来各试点省市及农业农村部实施的植保无人驾驶航空器发展、补贴现状，综合相关分类分档政策。在此基础上指出基本配置参数、补贴额设定等方面的问题，分析存在质量与补贴额不对等、基本参数限制过少、分档未突出高端产品、补贴未考虑到偏远地区等现象。最后结合实际情况，指出植保无人驾驶航空器的补贴政策将朝着统一质量鉴定、细化分档参数、突出智能化技术、精准补贴标准及根据区域设置补贴等方面发展。

在绿色可持续发展战略背景下，秸秆深翻还田技术的应用对发展高质量生态农业、治理农业农村环境污染具有重要价值。从行为经济学锚定效应理论出发，基于河南省4县1036个农户的微观调研数据，运用Probit模型和OLS模型分析锚定效应对农户秸秆深翻还田技术采纳的影响机制。研究结果表明，当仅存在外在锚时，农户秸秆深翻还田采纳行为存在显著的外在锚效应，属于直觉决策系统的主导作用，处于被动加工模式。当外在锚和内在锚同时存在时，则内在锚效应更为显著，回归系数为0.630和0.088，外在锚效应会减弱或消失。此外，商业化程度在外在锚效应对农户采纳秸秆深翻还田的影响中起到正向调节作用，交互项系数为2.174和0.061，商业化程度越高，内在锚效应对农户采纳秸秆深翻还田的促进作用越强；社会网络在内在锚效应对农户采纳秸秆深翻还田的影响中起到正向调节作用，交互项系数为0.641和0.121，社会网络有助于秸秆深翻还田技术的长效运行。据此提出相关建议：提升农户绿色技术认知，适度扩大农机服务规模，利用数字媒介推广绿色发展理念等建议提高农户秸秆深翻还田技术采纳的积极性。

实现果园机械化智能采摘是解决农村劳动力不足、降低果实采摘成本的重要途径，对果园中果实的准确识别是其关键技术。以枣为研究对象，建立最适合多品种、实用性强的枣果实成熟度识别模型，将YOLO算法引入到枣果实在自然环境下的成熟度识别中，将枣果实分为成熟果实、未熟果实和完熟果实、半红果实、未熟果实两种标注方式，建立YOLO V3、YOLO V4、YOLO V4-Tiny和Mobilenet-YOLO V4-Lite四种识别模型。研究表明YOLO算法中YOLO V3与YOLO V4-Tiny两个模型均可适用于两种标注方式，验证集mAP约为94%，证明YOLO算法能够对枣果实进行有效的成熟度识别。

为实现玉米种子快速、准确地优选，以不同质量的玉米种子为研究对象，提出一种分水岭算法结合卷积神经网络对玉米种子进行质量检测的方法。首先利用分水岭算法分割出单粒玉米种子，然后通过卷积神经网络模型对每粒种子进行质量分类，根据分水岭算法得到的单粒种子的位置，将结果在图像中进行标注，实现种子质量检测。使用改进型的InceptionV3模型进行试验，模型测试结果表明：质量良好和带有缺陷的两类种子的平均准确率为94.18%，平均召回率为94.61%，F1值（调和平均评价）为94.39%。同时为突出卷积神经网络模型的性能，将结果与传统的机器学习方法进行比较，其F1值高出LBP+SVM模型20.39%。

针对自然环境下马铃薯叶片病害识别率低和晚疫病斑定位难的问题,基于大田环境中采集的马铃薯叶片图像,首先对马铃薯叶片病害进行识别,对比AlexNet、VGG16、InceptionV3、ResNet50、MobileNet五种神经网络模型,结果表明InceptionV3模型的识别效果准确率最高,可达98.00%。其次对马铃薯叶片的晚疫病斑进行检测,提出一种改进型的CenterNet-SPP模型,该模型通过特征提取网络获取对象的中心点,再通过中心点回归获得中心点偏移量、目标大小等图像信息,训练后的模型在验证集下的 mAP可达90.03%,以 F₁为评价值分析对比其它目标检测模型,CenterNet-SPP模型的效果最好,准确率为94.93%,召回率为90.34%, F₁值为92.58%,平均检测一张图像耗时0.10 s。为自然环境下马铃薯叶片病害识别和检测提供较为全面的深度学习算法和模型研究基础。