【摘要】[目的] 快速准确识别小麦条锈病病害等级，对其精准防控具有重要意义。[方法]本文利用数码相机获取小麦叶片条锈病RGB图像，构建小麦叶片条锈病不同病害等级数据集，通过对ResNet34模型添加通道注意力模块（SE）和Inception模块加以改进，增强模型对小麦条锈病害特征的关注程度和提取能力，并采用精准率（Precision）、召回率（Recall）、平衡F分数（F-Score）和准确率（Accuracy）等评价指标，对比分析S-ResNet34与VGG16、MobileNetV2、Swin Transformer、ResNet34等多种主流模型的识别精度。[结果]S-ResNet34模型的训练准确率为93.85%，相比于VGG16（84.53%）、MobileNetV2（79.35%）、Swin-Transformer（85.67%）和ResNet34（87.50%）等深度网络模型，准确率分别提高了9.32、14.5、8.18和6.35%。同时模型损失值更小，提出的改进ResNet34模型识别小麦条锈病害特征能力更强，训练收敛更快。[结论]采用深度学习模型能够准确识别小麦条锈病病害程度，通过对ResNet34模型添加注意力模块能有效提高小麦条锈病病害识别精度。