基于图像分析的植物叶部病害识别技术研究，对有效防治农作物病害的发生，提高农作物的产量、减少农药对农产品和环境的污染，均具有重要的现实意义。本研究在国内外研究成果的基础上，以提高农作物病害识别准确率和效率为目标，以苹果、黄瓜和辣椒等作物病害为例对植物叶部病害的图像分割、特征提取、病害诊断识别方法等关键技术展开系统研究。论文的主要工作和创新点如下：（1）针对植物病斑彩色图像噪声大和边缘模糊等特点，提出了一种基于水平集和加权颜色信息的改进C-V模型。借助水平集方法对病斑图像的RGB分量图像颜色信息取加权值，以差分图像能量作为能量函数最终值，以适应不同病害种类。试验结果表明，经过RGB加权的辣椒缺水病斑图像用3R-B图像模型，苹果锈病病斑图像用3R-G图像模型自动分割，比传统C-V模型分割效果好，性能明显提高，抗噪性和可扩展性好。（2）针对加权颜色信息C-V模型运行时间长及人工选取权重参数难等问题，提出了基于相似度改进C-V模型的植物叶部病斑彩色图像分割方法。通过计算病斑彩色图像R、G、B通道的前景与背景像素均值的比例，作为病斑图像R、G、B通道的能量权值；每次迭代中将符号距离函数中小于外部能量区域符号距离平均值的距离值归零，得收敛分割曲线。试验结果表明，该方法平均准确率分别高于基于加权颜色信息的C-V模型和传统C-V模型0.42和43.55个百分点，且抗噪性好；对于高分辨率彩色图片，平均运行时间不到这二者的1/1000，大大提高了算法效率。（3）针对颜色矩运行时间长及分类率不高的问题，提出了基于颜色矩和小波变换的加权特征提取方法，该方法分别对H、S和V通道图像进行小波分解根据其1-3阶矩特征得到每个子图的能量系数，将其作为特征的权重。试验显示，用支持向量机多项式核函数，小波基为bior2.4时提取特征的识别正确率最高，花叶病、锈病和斑点落叶病平均识别正确率为89.78%，与基于颜色矩和小波的特征提取方法的识别正确率（25.67%和80.14%）相比，显著提高了识别正确率。（4）针对小波分解进行特征提取通常仅利用了图像低频子带信息的缺点，提出了基于YUV和小波包的多通道特征提取算法，以全面分析图像纹理特征。该方法对输入图像的Y、U、V通道子图像进行小波包分解，以Y、U、V分量子图像各自小波包能量特征和分量子图像之间的小波包能量特征作为病害图像特征向量。试验结果表明，当小波基为haar，支持向量机为多项式核函数时，花叶病、锈病和斑点落叶病的平均识别正确率为89.10%，比基于小波的特征提取方法识别正确率提高12.16个百分点。（5）针对SVM模型中参数难以确定的问题，提出了基于遗传算法支持向量机模型（GA-SVM）的苹果叶部病害识别方法。该方法用遗传算法自动获取SVM参数，GA参数用旋转正交方法得到，获得合适的GA-SVM模型后，将基于颜色矩和小波变换的加权特征作为特征向量进行分类。试验结果表明：当粒子数M=50，交叉率Pc=0.7，变异率Pm=0.05，迭代次数G m=100时，花叶病、锈病和斑点落叶病的平均识别正确率为92.39%，比SVM模型提高了5.21%识别正确率。（6）针对SVM模型中参数难确定及遗传算法复杂问题，提出了基于粒子群算法支持向量机模型（PSO-SVM）的苹果叶部病害识别方法。该方法用粒子群算法确定SVM模型的惩罚因子和核参数的最优数值，得到合适的PSO-SVM模型后，以基于颜色矩和小波的加权特征作为特征向量进行分类。经旋转正交试验探明较优粒子群算法参数为c1=c2=2.05，粒子数m=20时，病害识别正确率较高，苹果花叶病、锈病和斑点落叶病的识别正确率分别为90.24%、87.26%和85.23%，平均运行时间比GA-SVM方法减少10.86个百分点，提高了识别效率。