茶叶作为我国重要的农作物之一,常常受到病害的侵染,尤其以茶叶叶片病害为主。茶叶病害的准确识别可以为后续的科学防治提供施策依据、减少农药的使用、降低残留农药对土壤的污染和防止大面积病害的发生,同时提高茶农的收入和增强市场竞争力。本文在研究国内外茶叶病害及其它农作物病害的基础上,构建茶叶病害数据集,并且提出两种茶叶病害识别算法,分别是基于多特征优化的茶叶病害识别方法和改进关系网络的茶叶病害识别方法。具体工作如下:(1)构建茶叶病害数据集。通过无人机和照相机等设备采集绿茶叶片图像,构建茶叶叶片病害数据集,包括两个数据子集。其中,一个数据集包含三类茶叶叶片数据,分别是正常茶叶叶片、感染茶赤叶斑病叶片和感染茶圆赤星病叶片,共100幅图像;另一个数据集包含如茶黑煤病、茶炭疽病等五类茶叶叶片数据,共209幅图像,用于测试茶叶病害识别算法的病害识别能力。(2)提出了基于多特征优化的茶叶病害识别算法。以正常茶叶叶片、感染茶赤叶斑病茶叶叶片和感染茶圆赤星病茶叶叶片图像为研究对象。首先,采用方向梯度直方图和Inception v3模型分别提取茶叶图像特征;然后,基于提出的多特征优化算法对两类特征进行特征优化;最后,利用梯度提升树算法对优化后的特征向量进行训练和分类。实验结果表明,在保证较高茶叶病害识别率的基础上,多特征优化算法使得茶叶叶片图像特征向量由36068维降低到不足150维,大大降低了识别算法的复杂度。同时,基于多特征优化算法对茶叶病害的识别准确率可以达到95%以上。(3)提出了改进关系网络的茶叶病害识别算法。在关系网络的基础上,本文改进关系网络采用Inception块、MRFB和MAC三种子网络设计精度高、鲁棒性强和通用性好的小样本学习框架,其中Inception块子网络用来提升嵌入模型的特征表达能力,MRFB和MAC子网络用来提高关系模型的度量能力。在Omniglot和miniImageNet两个数据集上进行实验,结果表明改进关系网络较大地提高了识别准确率,表明本文方法具有一定的有效性。同时将农作物病害检测数据集训练改进关系网络,训练好的模型对茶叶病害数据集进行测试,可以一定程度避免茶叶数据集小的问题。