烟叶病害种类繁多，病理复杂，严重影响烟叶的产量和质量。烟草病害是及时控制烟草病害的前提。传统的检测方法精度低，效率低。基于深度学习的算法可以提高烟草病害检测的准确性。本文以五种常见烟草病害（普通花叶病、黄瓜花叶病毒病、赤星病、烟草野火病和气候斑点病）为研究对象，构建了基于YOLOv3的烟草病害检测模型，实现了多种烟草病害的准确、快速检测。利用Darknet53特征网络提取烟草病害特征，融合不同尺度的病害特征。K－means＋＋算法用于分类和预测融合特征的位置。采用非最大值抑制算法（NMS）去除冗余帧，得到病区预测帧。利用现场收集的实际烟草病害数据集，将构建的yolov3病害检测模型与SSD（Singleshot multibox检测器）模型进行了比较。结果表明，YOLOv3的mIoU为0.81，明显好于SSD的0.73，约洛夫3模型中的mAP为0.77，也高于SSD的0.69。本研究构建的YOLOv3烟草病害检测模型能够有效定位烟草病害区域，实现多种类型烟草病害的检测，为准确控制病害提供参考。