［目的/意义］ 传统农作物病虫害识别普遍依赖单模态图像，信息利用不充分，导致识别精度受限。针对该问题，本研究提出融合图像与文本的多模态识别方法，旨在显著提升分类准确率与模型鲁棒性，为农业精准防控提供数据驱动的新路径。 ［方法］ 构建基于自监督适应性特征融合的识别模型。首先，利用大语言模型结合权威农业指南进行提示工程，将标签转化为细粒度病理语义描述；其次，基于图像文本对比学习（Contrastive Language-Image Pre-training, CLIP）提取图像与文本双流特征，设计跨模态平衡对齐模块解决样本不对称问题；再次，通过适应性融合机制动态分配模态权重，实现深层语义交互；最后，引入自监督特征重构任务以增强特征表征的鲁棒性。 ［结果和讨论］ 在PlantVillage标准数据集上的实验表明：模型分类准确率达99.67%，较ResNet50（96.51%）、Swin-Transformer（97.48%）和基础CLIP（98.23%）准确率高；同时，精确率、召回率与F₁分数均超过99.00%，验证了方法的有效性与稳定性。 ［结论］ 该方法通过融合文本语义与视觉特征，有效突破了单模态识别局限，显著提升了模型在细粒度分类任务中的准确率与泛化能力。