[目的]快速准确识别小麦条锈病病害等级，对其精准防控具有重要意义。[方法]利用数码相机获取小麦叶片条锈病RGB图像，构建小麦叶片条锈病不同病害等级数据集，通过对ResNet34模型添加通道注意力模块(SE)和Inception模块加以改进，增强模型对小麦条锈病特征的关注程度和提取能力，并采用精准率、召回率、平衡F分数和准确率等评价指标，对比分析S-ResNet34与VGG16、MobileNetV2、Swin-Transformer、ResNet34等多种主流模型的识别精度。[结果]S-ResNet34模型的训练准确率为93.85%,相比于VGG16(84.53%)、MobileNetV2(79.35%)、Swin-Transformer(85.67%)和ResNet34(87.50%)等深度网络模型，准确率分别提高了9.32%、14.50%、8.18%和6.35%。模型损失值更小，改进的ResNet34模型识别小麦条锈病特征能力更强，训练收敛更快。[结论]采用深度学习模型能够准确识别小麦条锈病发病程度，通过对ResNet34模型添加注意力模块能有效提高小麦条锈病病害识别精度。