针对基于图像识别技术的农作物病害识别问题，大多数卷积神经网络（CNN）模型都具有多参数、体积庞大的特点。这种网络模型对内存和计算资源的要求很高，推理和计算时间太长，无法应用于小型移动设备。现在我们将转移学习、知识提取和轻量级CNN相结合，并使用知识提取的方法对模型进行训练。通过比较VGG16、Alex　Net、Dense　Net、ResNet和Mobile　NetV3等主流卷积神经网络脉的验证集精度、单张图片识别时间和模型体积，选择Mobile　NetV3作为学生模型，ResNet101作为教师模型进行知识提炼。最后，对卷积层输出的特征映射进行可视化，并利用类激活映射（CAM）对模型的最后一层进行可视化，从而确定在分类中起决定作用的图像区域。测试结果表明，在Plant-Vill　age数据集上，提取的Mobile　NetV3模型验证集的精度为98.8%，比原始模型高1.2个百分点，模型尺寸为23m。该模型适用于小型移动设备。