【摘要】[目的]为了克服作物害虫在不同生长阶段的形态差异对模型检测造成的负面影响，本文提出了一种基于改进YOLOv7-tiny的跨阶段作物害虫检测模型CrossStage-YOLO。[方法]在YOLOv7-tiny的主干网络中结合重新构建的ELAN-D模块，实现降低计算内存消耗的同时提高特征提取速度；引入感受野增强模块（RFE），提升模型对害虫特征和位置的感知能力；嵌入BiFormer注意力机制，提高模型对害虫头部、触须等细微特征的敏感度。[结果]试验结果显示，CrossStage-YOLO的平均精度均值为88.6%，相对于原始模型提升了3%；对成虫和幼虫检测的平均精度均值分别达到90.8%和81.1%，较原始模型分别提升了3.3%和2%；并且模型以6.79M的低参数量实现了0.043秒的单张图片检测时间，综合性能优于主流目标检测模型。[结论]本文提出的CrossStage-YOLO模型能够有效提升作物害虫不同生长阶段的检测准确率，为作物害虫检测的自动化诊断提供了可靠的技术支持。