【摘要】[目的]茶树病虫害识别通常采用单一的检测模型，但其学习和感知能力不足以完成复杂茶园环境下的病虫害目标检测。针对现有目标检测算法难以在茶园复杂环境下对茶树的叶枯病和绿盲蝽的识别问题，提出一种基于集成学习的茶树病虫害检测方法。[方法]选取Yolov5弱监督模型，通过试验发现，在Yolov5的网络基础上引入全局注意力模块（Global Attention Mechanism，GAM）能够更好地识别被绿盲蝽危害后的茶树叶片；引入卷积注意力模块（Convolutional Block Attention Module，CBAM）后能够更好地识别叶枯病。将2个改进后的模型集成，并将预测结果使用加权边界框融合算法（Weighted boxes fusion，WBF）处理融合框。[结果]与原始2个单阶段模型相比，集成后的模型在平均精确率上达72.2％，相比于引入GAM注意力机制和CBAM注意力机制后的模型，平均准确率分别提升了3％和3.7％。与其他主流目标检测模型相比，本文提出的集成模型充分利用了模型间的优势互补，提高了模型特征提取能力，并增强了模型的检测能力。[结论]集成后的算法具有更强的特征提取能力，可以提取到更多的病害特征信息，并且较好地平衡了模型的识别精度与复杂度，可为田间环境下茶树的病害识别提供参考。