小麦籽粒在感染赤霉病（Fusarium head blight,FHB）的过程中所累积毒素会对人和动物的健康造成巨大的危害,同时也会影响小麦的产量。传统的赤霉病识别主要依靠专家的经验以及一些设备仪器,该方法存在耗时耗力和低效等缺点。因此,开发出一种高效的小麦籽粒赤霉病识别方法至关重要,对于我国智慧农业的发展具有重要意义。现有研究表明,光谱学技术具有快速无损的特点,可以应用于农作物病害的检测。目前,大部分有关农作物病害的检测研究是基于可见-近红外光谱范围进行的,但该类型的仪器较为昂贵。因此,本文尝试使用图谱信息融合技术探究识别感染赤霉病的小麦籽粒的新方法,同时也基于非成像便携式地物光谱仪分析不同光谱范围对小麦籽粒赤霉病识别的影响,并且筛选出敏感波段,然后基于敏感波段进行波段组合,探究识别小麦籽粒赤霉病的最佳波段,为后续开发便宜实用的多光谱相机奠定基础。本文的研究进展如下:（1）成像高光谱仪可以同时提供图像和光谱信息,本文在400-1000nm的波长范围内采集小麦籽粒的高光谱图像。首先提取出光谱数据,对数据进行预处理,然后分别使用主成分分析（Principal Component Analysis,PCA）、连续投影法（Successive Projections Algorithm,SPA）和随机森林法（Random Forest,RF）筛选出最佳波段,并基于最佳波段所对应的灰度图像提取出纹理和形状特征。再将光谱和图像特征进行融合,得到融合特征。基于光谱、图像和图谱融合特征建立支持向量机（Support Vector Machine,SVM）、随机森林（Random Forest,RF）和朴素贝叶斯（Naive Bayes,NB）分类模型。结果表明,基于图谱融合特征建立的SPA-RF模型获得了最佳的结果,预测集的分类精度达到了96.44%。本文提出的方法充分利用了高光谱图像中的图谱信息,提供一种更有效的方式来识别小麦籽粒中赤霉病的感染程度,该方法优于单一使用光谱或者图像信息。（2）使用非成像便携式地物光谱仪（光谱范围为350-2500nm）采集同一批小麦籽粒的数据。本文分别去除前后各50nm的波段以去除噪声,将光谱按照多数研究采用的光谱范围（Vis-NIR,400-1000nm;SWIR,1000-2450nm）以及光谱仪内部不同传感器采集的不同波段范围（400-1000nm,970-1900nm,1900-2450nm）分别进行分析。对光谱进行预处理之后,再基于竞争性自适应加权采样算法（Competitive Adaptive Reweighted Sampling,CARS）、PCA和SPA筛选出最佳波段,结合K最邻近（K-Nearest Neighbor,KNN）、SVM和RF分类模型对不同的光谱范围进行分析比较。结果表明,1000-2450nm光谱范围内的建模结果（精度为94.56%）优于400-1000nm光谱范围内的建模结果,且基于970-1900nm光谱范围建立的分类模型结果（精度为97.32%）优于其他两个光谱范围内建立的分类模型的结果,这表明近红外范围的波段更有利于小麦籽粒赤霉病的识别。同时,基于光谱与籽粒内部化学成分的关系对筛选出的最佳波段进行组合,结果显示,将1000-2450nm光谱范围内的最佳波段进行组合取得了较为理想的建模结果,分类精度为98.14%,该组合后的波段对于识别小麦籽粒赤霉病具有较大的潜力。这为后续多光谱相机的开发奠定了良好的基础。（3）基于成像高光谱仪和非成像便携式光谱仪的可见近红外光谱范围内对小麦籽粒赤霉病识别的性能进行分析比较。结果显示,仅使用光谱信息时,基于成像高光谱仪采集的数据建立的模型精度达到了93.63%,基于非成像便携式光谱仪采集的数据建立的模型精度达到了94.84%。当成像高光谱仪添加了图像信息后,基于图谱融合建立的模型精度达到了96.44%。这表明将光谱与图像信息进行融合之后建立的模型优于单一使用光谱或者图像信息,由此可以推测借助非成像便携式光谱仪基于近红外光谱范围使用图谱融合技术可能会获得更高的精度,本文的研究为后续多光谱相机的开发奠定了有利的基础。综上所述,本文提出的图谱融合技术和组合最佳波段识别赤霉病籽粒的方法可以对小麦籽粒赤霉病的识别提供技术支持,具有较大的应用前景。