稻飞虱是我国水稻上一种主要迁飞性害虫,每年对水稻生产造成很的大经济损失,及时准确地预测田间稻飞虱种群密度对飞虱防治非常重要。传统的人工普查方法存在工作量大,效率低和精度差等问题。利用图像处理技术对水稻基部图像进行稻飞虱自动检测与计数不仅节省劳动力,同时可以提高工作效率和测报的准确率。Yao et al[1]、刘庆杰[2]、赵虎[3]和陈琤[4]利用图像处理技术,提取了不同的飞虱图像特征结合分类器来研究稻飞虱自动检测问题,取得了较好的结果。在他们研究基础上,进一步分析得知基于图像的水稻基部飞虱的检测率和误检率仍有一定改善的空间,且稻飞虱田间测报中,还需要对稻飞虱的种类、长短翅和虫龄进行判断,本论文继续对基于图像的水稻基部稻飞虱自动检测进行研究,同时对稻飞虱的种类、长短翅和虫龄分类问题进行了初步的研究。本文利用HOG特征与Adaboost分类器对水稻基部飞虱图像进行检测与计数研究,从Adaboost参数选择、训练样本大小、数量和多样性方面对分类器进行优化。结果表明,采用大小为32*64像素的飞虱正样本8000幅,背景全为水稻背景且大小不一的非飞虱负样本32000幅,最大虚警率为0.48,训练分类器为21层训练得到的Adaboost分类器具有较好的检测效果。以图像中人眼可识别的稻飞虱人工计数作为标准,获得飞虱检测率为92.3%,误检率为53.5%。本论文利用深度学习中的卷积神经网络对飞虱和非飞虱目标进行分类,结果表明,采用卷积神经网络可以达到一个很好的效果,飞虱识别率为99.1%,误检率8.7%。将Adaboost分类器和卷积神经网络级联,可获得稻飞虱检测率为91.5%,误检率为4.7%。本文利用Gabor特征和SVM分类器对长翅型稻飞虱、短翅型稻飞虱和稻飞虱高龄、低龄若虫进行分类识别和计数。利用HOG特征和SVM分类器对长翅型白背飞虱和长翅型褐飞虱进行分类和计数。结果表明,对稻飞虱种类、长短翅成虫和高低龄若虫的分类准确率均不低于95.0%。本论文研究结果为基于图像的稻田基部飞虱自动检测、分类与计数技术应用到稻田飞虱的测报提供了理论依据。