近些年来利用机器视觉识别田间杂草并进行变量喷洒除草剂成为现代精细农业发展方向,但传统的图像处理技术多应用在对单植株或者小区域的杂草识别,针对此问题,本论文以杂草群落作为主要研究对象,提出三种不同的提取杂草群落特征的方法,有效地来解决提取杂草群落特征这个关键性问题。主要工作内容包括以下几个部分:(1)采用非下采样剪切波算法(NSST)对杂草群落进行特征识别提取,首先介绍了所用到实验样本图像的特点,对非下采样剪切波的原理做了简单的介绍,并分析了它在表征各向异性信息时的优点,详细介绍了非下采样剪切波算法具体的实现步骤并给出了流程图,同时对于不同灰度图像、不同分割大小、不同尺度和不同识别算法对识别率的影响都给出了详细分析。最后得出在HSV(H)灰度图像分块大小为128×128像素第三尺度采用SVM分类识别算法识别效果最好的结论,采用的SVM算法的鲁棒性最强,其平均识别率可以达到66.6%,最高识别率可以达到71.7%。(2)基于交互方法提取ROI区域中的二值掩模图像,通过数据聚合和相似度匹配得到杂草群落特征图像,利用不同的识别算法对特征图像中的特征值进行识别分类,在不同掩模图像下决策树(Tree)、支持向量机(SVM)、K最近邻算法(KNN)、以及Bagging算法四种算法的平均识别率在87.0%~89.4%之间。(3)由于手动获取ROI区域算法的实时性和性较差,且该算法需要手动获取ROI区域中部分掩模图像作为数据聚合的模板,受人为主观因素的干扰。提出自动获取ROI区域的算法,该算法摒弃了手动提取掩模图像这一步骤,能够较快的提取杂草群落特征,算法的实时性得到保障,同时采用SVM分类识别算法,对提取到的特征值进行分类识别,其识别率达到89.9%,能够达到本课题的实验预期要求。