【摘要】【目的】小麦秸秆表皮结构完整性是判断其资源化利用效果的关键因素之一，目前尚难以对秸秆破碎程度进行量化分析，为了实现小麦秸秆表皮结构完整性的分类，本研究提出了一种改进的GhostNet轻量级卷积神经网络，用于对小麦秸秆表皮显微图像进行完整性分类。【方法】基于小麦秸秆表皮显微成像技术，将迁移学习引入GhostNet中，降低了模型过拟合的风险，同时采用了Dropout层以提升网络的分类准确率。为了验证该方法的有效性，利用4 320幅小麦秸秆表皮显微图像进行训练和验证，同时与ShuffleNet V2、ResNet 50和AlexNet深度学习网络进行了对比。【结果】试验结果表明，改进的GhostNet网络模型的分类准确率为99.2%，分别比ShuffleNet V2、ResNet 50和AlexNet提高了12.6%、3.5%和3.3%，为了验证该模型的鲁棒性，分别对高斯噪声和不同亮暗程度影响进行了测试，测试结果表明，改进后的GhostNet网络模型依然可以取得最佳的分类效果。【结论】该方法应用于小麦秸秆表皮显微图像的完整性分类是有效的、可行的，该方法可为秸秆预处理技术效率的量化分析提供参考。