为了解决传统深度学习网络在作物和杂草识别中存在的训练时间长、识别精度低、检测速度慢、对采集数据需求大等问题，提出了一种基于YOLOv4算法设计的改进检测模型。采用轻量级特征提取网络代替原有的Alpine特征提取网络，并在增强的特征提取网络中引入深度可分离卷积，以减小网络参数的规模。通过数据放大方法对原始实验数据进行扩展，增加了实验数据的数量和多样性，提高了模型识别的准确性。实验结果表明，改进模型的检测速度约为54帧/秒，是原Alpine模型的330%，训练时间为原Alpine模型的21.8%。自然环境中玉米及其伴生杂草的识别精度较高。该方法也适用于其他作物和杂草的鉴定。