藜麦叶斑病和霜霉病是藜麦病害中影响范围较广的两种疾病,且传播速度在逐渐加快。如果藜麦叶斑病和霜霉病发现不及时,会使藜麦产量受到极大损失甚至绝收。现如今,对于藜麦病害的检测主要是通过专业人员或农民人工排查,这种方法不仅增加了人工成本,消耗了大量时间,而且会由于人的主观因素会造成辨识错误,无法满足现代农业的要求。因此,为藜麦叶部病害识别提供方便、有效的方法,提高藜麦病害识别的准确率对藜麦产业具有十分重要的意义。本文基于藜麦叶片图像,提出了一种新的藜麦病害识别方法,提高了藜麦叶片的识别精度。首先通过对颜色空间技术、叶片分割方法和形态学处理方法的研究,建立了藜麦病害叶片分割模型,实现了藜麦叶片复杂背景中的分割;再通过对藜麦叶部的特征提取,利用藜麦病害的图像处理方法和机器学习方法,建立了藜麦病害的识别模型,以识别健康藜麦、藜麦叶斑病和藜麦霜霉病。研究的主要结果如下:（1）为解决复杂环境下藜麦植株的背景分离问题,对藜麦叶片分割方法进行研究。使用修改后的超绿特征算法,将藜麦植株从复杂背景中较好地分离出来;通过腐蚀处理将超绿特征处理后藜麦图像中的茎秆消除,再使用膨胀处理填充腐蚀操作后留下的空隙;进一步利用膨胀后的图像与原图像进行对比转换色彩,弥补了其边缘模糊的缺点,得到较为清晰的藜麦叶片图像;将藜麦叶片图像二值化,使用广度搜索算法对藜麦叶片进行分割,提取出单独的藜麦叶片,完整保留藜麦叶片信息,最终扩充出藜麦叶片数据集。（2）为更好地对藜麦叶片信息进行获取,采用颜色矩与灰度共生矩阵的方法,基于叶片颜色与纹理特征进行特征参数提取。通过颜色矩选取藜麦叶部图像中R、G、B三个通道上的特征值,提取出两个有效的颜色特征;使用灰度共生矩阵的方法,对藜麦叶片图像在不同方向上的熵、能量、惯性矩、相关性参数的变化进行了验证;实验表明其特征值不受图像方向变化的干扰;进一步分析了四个纹理特征值在不同灰度级下的参数,在尽量减少信息丢失的情况下选出对硬件负担较小的灰度级,最终提取出6个有效特征参数用于后续识别模型的输入。（3）为提高藜麦病害的识别精度,构建三种藜麦叶部病害识别模型。以正常藜麦叶片图像、藜麦叶斑病图像与藜麦霜霉病图像作为训练样本,对三种识别算法进行对比研究。支持向量机算法的平均识别精度为93.43%,识别准确率最高,该算法非常适用于少量样本的分类计算,并对设备具有一定的依赖性;鉴于BP神经网络的结构特征,该算法在大样本识别具有明显优势,在网络训练充足条件下,单种状态的识别能达到小样本的识别结果,其整体平均识别精度可达到89.03%;卷积神经网络对初始图像要求较少,其特有的权值共享与降采样的方法,对不同图像大小、角度与特征位置的不变性较高,可以在较短时间内达到不错的精度,其整体平均识别精度可达到91.53%。可见,三种识别算法在不同的使用条件中对藜麦叶部识别均有其可行性和高效性。