粮食作物是人类赖以生存和生活的重要保障,水稻是最主要的一种可供人类食用的农作物,然而水稻稻曲病一直是制约其品质和产量的重要因素之一,它会在水稻生长的整个时期随时出现,导致水稻叶片发黑,腐化,脱落,稻穗不能正常生长,最终导致水稻减产甚至颗粒无收。通常情况下,人们会根据受病害侵袭情况喷洒相应的农药,以防止病害的进一步恶化和大面积扩散,这样又会产生许多其他问题,比如投入成本增加、环境污染等。因此,当务之急需要新的方法来解决水稻受稻曲病胁迫的问题,首先,需要随时了解水稻的生长情况,以便采取合理措施来保障水稻的正常生长和发育;其次,根据掌握的水稻生长信息预测水稻是否发病以及发病严重程度等;再次,提高农药的使用效率对降低投入成本和抑制水稻稻曲病的蔓延有重要意义。高光谱技术是一种新的高效、无损的监测农作物病害技术手段,对提高水稻品质和产量,减少环境污染,改善可持续农田管理有重要意义[1]。本文在研究了水稻受病害胁迫下的生长机理和各种分类算法的基础上,利用高光谱技术建立健康和患病水稻的识别模型并进行验证,为水稻稻曲病的早期监测提供数据支持。主要内容如下:1)使用高光谱设备采集发病水稻区域和健康水稻区域的多组高光谱图像数据;2)使用ENVI影像处理软件分析处理高光谱设备采集的数据,通过选择ROI区域获得发病区域的光谱数据和正常区域的光谱数据,发现曲线随病害发生情况之间的关系,找出稻曲病稻穗特有的光谱特征;3)建立基于高光谱技术的水稻稻曲病识别模型,采用Linear,Polynomial,Radial Basis Function,Sigmoid四种核函数的SVM建模算法对其进行识别;4)对影像分类后的结果进行精度验证,验证方法包括混淆矩阵,Kappa统计;5)通过使用ENVI软件对高光谱设备采集的数据进行分析处理,并使用PCA和ANN的方法,以凸显发病区域。结果表明:水稻感染稻曲病后,患病区域与正常区域的光谱曲线比较,在可见光波段450~720 nm和近红外波段780~900nm范围内光谱反射率有明显下降。这是由于在可见光谱段内,植物的光谱性质主要是叶绿素起着重要的作用,在450 nm为中心的蓝波段以及以670nm为中心的红波段,叶绿素强烈吸收辐射能而呈吸收谷,在这两个吸收谷之间吸收较少,形成绿色反射峰而呈现绿色植物。当水稻受稻曲病胁迫时,稻穗及叶部出现黄褐色病斑,此病斑处叶绿素含量降低,叶绿素在蓝、红波段的吸收增多而反射降低,特别是红波段的反射率降低,所以整体反射率显著下降。支持向量机分类方法在训练样本比较少的情况下,诊断正确率比较高。从四种核函数的SVM识别结果可看出线性核函数诊断性能最好且稳定,平均分类精度最好达到97.2%,所以线性核函数的SVM建模方法最适合基于高光谱技术的受稻曲病胁迫的水稻病害诊断。从整体分类结果来看,两组实验数据的错分误差和漏分误差总体达到1.66%和3.84%,达到了很好的效果。该研究可作为水稻稻曲病高光谱早期监测的基础,对于今后利用高光谱技术进行大面积监测其他病害及确定最佳防治时期具有实际的意义。