[目的]本文提出一种轻量级YOLOv5S农作物虫害目标检测模型以解决在样本数量不足的情况下农作物虫害识别的问题。[方法]利用Ghost技术将2个Ghost Bottle Block线性特征提取模块封装为1个GB模块，代替YOLOv5S中前7个CBL、CSP、SPP非线性特征提取模块，从而约简了YOLOv5S的网络参数，减轻了网络体量。[结果]在保证虫害检测效果的前提下降低网络对计算硬件与训练样本的依赖。为了验证模型的有效性，对水稻、玉米、棉花、马铃薯、苜蓿5种农作物的12类虫害进行识别与定位，多类别平均精度(mAP)为91.31%,比YOLOv5S模型高出2.56百分点。[结论]通过与SSD、Faster-RCNN、YOLOv5S模型对比发现，本文提出的模型在mAP、F1-score、精确率(Precision)、召回率(Recall)4个评价指标均占优势，尤其在小目标、密集目标、与背景相似目标的检测方面表现突出。