作物病害智能、精准识别是现代病害防控的基础,是提高作物品质与产量的重要保证。视频监测具有动态性好、性价比高的优势,弥补了静态图像识别和光谱成像等方法的相应不足,但是存在视频信息冗余量巨大、病害区域提取效果差以及病害识别性能差等问题,导致应用推广停滞不前。本文主要以茶树为研究对象,运用机器视觉和深度学习的方法和技术,从全面反映作物生长状态的监控视频中,利用关键帧提取、显著图提取和CNN识别技术,实现作物病害的智能化监测。主要内容和结果包括:1)作物监测视频关键帧提取研究。为了提高视频关键帧提取的质量和效率,提出一种基于最优距离聚类和特征融合表达的视频关键帧提取算法。在帧间差异性分析基础上,寻找并确定最优帧间距离阈值,采用无监督聚类算法对帧间距离进行聚类,获得类别数目最优的类图像集;计算图像的颜色复杂度和信息熵并融合,按照类中图像特征值“平均”的思想提取类代表帧,组成视频关键帧。该算法解决了无监督聚类对阈值的依赖性问题,兼顾了视频中目标变化和环境异常两种情况,具有良好的性能和适应性。2)茶树叶部病害显著图提取研究。为了实现复杂背景下茶树叶部病害图像的准确提取,提出一种将SLIC和SVM算法相结合的方法提取茶树叶部病害显著图。首先,采用SLIC超像素算法将病害图像分成多个小块,接着对小块进行角点检测,并通过凸包获得显著性区域模糊轮廓;其次,多方向提取轮廓内外像素纹理特征,训练SVM对超像素块分类,获得分类图;最后,形态学以及逻辑运算修复、处理分类图,获得精准显著图。研究表明,基于SLIC和SVM算法能够准确地提取出茶树叶部病害显著图,为复杂环境下的病害识别研究奠定基础。3)小样本茶树叶部病害识别研究。以常见且特征相似的茶轮斑病、炭疽病和云纹叶枯病为对象,研究在小样本情况下利用卷积神经网络进行病害图像识别问题。运用7种模式的预处理方法对茶树叶部病害图像样本处理,并采用AlexNet经典网络模型进行学习实验,比较、分析其训练及识别效果。结果显示,在小样本情况下,该预处理方法可有效区分、识别3种易混病害,且识别精度高、性能好。