基于计算机视觉技术的作物长势监测与诊断是近年来农业信息技术研究的主要方向与发展趋势。其快速、高效、实用的监测方法为农作物精准监测提供新的理论基础和技术支撑，对于推动现代农业近地面遥感监测技术的实际应用具有一定的学术价值与社会价值。因此，构建基于计算机视觉技术的作物长势监测与诊断系统具有极其深远的意义。本研究采用数码相机或CCD数字摄像头在棉田进行实时跟踪监测，通过数字图像分割技术对棉花群体冠层图像进行分析，筛选棉花长势监测与N素营养诊断反应敏感的特征颜色参数，主要目的旨在构建不同特征颜色参数与棉花农学参数间的关系模型，并通过高产田独立试验对模型进行检验，力图搭建基于计算机视觉技术的棉花长势监测与N素营养诊断远程服务平台，实现对棉花生长信息和氮素营养状况进行快速准确的监测与诊断。主要研究结果如下：1．不同氮素处理棉花群体冠层图像颜色特征动态变化规律选用北疆2棉花主栽品种新陆早43号（XLZ43）和新陆早48号（XLZ48）为试验材料，于2010年和2011年开展5个N素水平的小区试验，应用数码相机获取棉花群体冠层图像，通过数字图像识别系统（DIRS）提取各处理棉花群体冠层图像的颜色特征参数R、G、B、H、I、S值，探讨各颜色分量在棉花生育期内的动态变化。分析结果表明，基于RGB模型的R分量值、G分量值和基于HIS模型的亮度I值能充分反应棉花群体生长发育规律，且相关性好，其动态模拟曲线的函数通式为：y=a-b×ln(x+c)，因此R、G和I能作为棉花群体监测的量化指标；基于HIS模型的色度H值，随不同施N量的增加，拟合参数呈现规律性变化，且相关性显著，其动态曲线满足通式：y=a+bx+cx2。然而模型中蓝色分量B值其动态变化虽然满足二次函数关系，但不同N素水平间拟合参数值波动性大，规律不明显；颜色分量S值动态模拟结果不理想，无规律可循。2．基于覆盖度CC的棉花长势监测与氮素营养状况诊断模型通过数字图像分割法提取各试验中棉花全生育期内群体冠层图像特征参数值，运用颜色特征法将棉花冠层图像分割为冠层和土壤层，通过阈值分割法和四分量分割法将棉花冠层图像分为4层，即：冠层图像分割为光照冠层（Sunlit canopy，SC）与阴影冠层（Shaded canopy，ShC）；土壤层分割为光照土壤层（Sunlit soil，SS）和阴影土壤层（Shaded soil，ShS）。为了减小图像处理误差，采用MATLAB图像处理软件和VC++计算机程序语言以及2种方法求出棉花冠层覆盖度CC。应用手持冠层光谱仪GreenSeekerTM测量棉花冠层的NDVI值与RVI值，分析比较CC与NDVI和RVI之间的关系，研究结果表明，CC与NDVI具有显著的线性正相关（R2>0.914，P<0.01），与RVI具有显著的线性负相关（R2>0.826，P<0.05）；这充分说明CC同NDVI有类似的光谱反射特性，能较好的诊断与评估棉花长势信息和N素营养状况；通过分析CC与棉花3农学参数（棉株地上部N累积量、LAI和地上部生物量）间的关系，建立了CC与3农学参数间动态模拟模型，研究结果表明，指数函数能准确描述CC与棉花3农学参数间的动态变化规律，且CC与棉株地上部N累积量指数函数模型相关性最高。其决定系数R2=0.978，根均方差RMSE=1.479g m-2；最后利用3个不同生态点高产棉田试验数据对模型进行了检验，检验结果表明，CC与棉株地上部总N累积量间精确度R2值为0.926，准确度RMSE值为1.631g m-2。因此可以推断，CC可作为棉花长势监测与N素营养诊断的最佳参变量。3．基于不同特征颜色参数的棉花长势监测与氮素营养评价模型棉株地上部N累积量、LAI和地上部生物量是衡量棉花长势状况的主导因素和重要指标，不同N素水平棉花群体冠层图像颜色特征不同，而不同的颜色特征反映出不同颜色参数值，针对棉花冠层颜色的这种特点和潜在规律，分析各颜色特征参数与3农学参数的相关性，结果表明，颜色参数G-R、2g-r-b和G/R与3个农学参数间相关性均达极显著水平，其中G-R与3者之间相关系数依次分别为0.945**、0.968**、0.935**；2g-r-b与者之间相关系数依次分别为0.906**、0.935**、0.898**；G/R与3者之间相关系数依次分别为0.859**、0.889**、0.892**。建立基于G-R、2g-r-b和G/R分别与3农学参数间的关系模型，结果表明，G-R、2g-r-b和G/R与3农学参数间的动态模型变化关系类似于CC与3农学参数间的动态关系，均满足指数函数模型，其函数模型通式为：y=kebx。通过对3个不同特征的颜色参数与3农学属性间模型的建立与检验，结果表明，对于特征颜色参数G-R和2g-r-b对LAI监测精度高于地上部N累积量和地上部生物量；对于特征颜色参数G/R来说，棉花地上部生物量的监测精度高于其他2农学参数。4．基于辐热积TEP的棉花地上部生物量累积模型为进一步探讨应用计算机视觉技术分析棉花群体冠层的空间分布、光辐射和热量等环境生态因素对棉花群体的影响。本研究获取2品种5氮素水平棉花各生育期地上部生物量，记录并测量棉花全生育期的光合有效辐射PAR和温度，计算棉花各生育期与全生育期TEP值，运用归一化分析方法，建立基于相对生物量累积（RAGBA）和相对辐热积（RTEP）的棉花地上生物量累积动态模型，得到8个模拟精确度较高的模型，再通过求极限值法筛选出最优模型。结果表明：棉花RAGBA和RTEP间的动态关系最佳模型是Richards模型，其表达式为RABGA=1.024/(1+e6.646-10.115RTEP)1/1.417，（r=0.9813，s=0.0426）；通过3个不同生态点独立的高产田试验对模型检验，结果表明，RTEP所对应的RAGBA观测值与模拟值之间的RMSE为0.659t hm-2，相对误差RE为5.34%，一致性系数COC为0.998，决定系数R2为0.996；最后定量分析了模型动态变化过程和模型各参数特征，根据模型生物量累积速率方程将其积累过程划分为2个拐点3个阶段，得出棉花地上生物量最大累积速率及其对应的相对辐热积和相对地上生物量积累量分别为2.299、0.623和0.549。这说明变量参数TEP具有很强的应用价值，能评价棉花地上部生物量累积过程，也能通过Richards模型反映棉花物质生产状况和经济产量，为数字化棉花生产提供理论依据。5．基于辐热积TEP的棉花叶面积指数动态模拟模型为凸显计算机视觉技术对棉花生长监测的实用性，分析辐热积TEP与LAI之间动态变化规律尤为重要。本节研究增设了2品种（石杂2、新陆早43）4氮素水平小区试验，通过归一化处理，用Curve Expert软件或Origin8.5软件对相对叶面积指数（RLAI）和相对辐热积（RTEP）动态数据进行拟合，得出7个精度较高的模型，其中Rational function函数模型最能准确描述棉花LAI的动态变化规律，相关系数r=0.9459，反映出极强的生物学意义。利用本研究2品种5氮素水平的核心试验数据和3个不同生态点独立的高产田试验对模型进行多重检验，其置信度（α）分别为0.1686、0.0771、0.1706；决定系数（R2）分别为0.9477、0.9640、0.9708；一致性系数（COC）分别为0.9867、0.9908、0.9891；相对误差（RE）分别为6.4928%、4.3709%、7.5403%；回归估计标准误差根均方差（RMSE）分别为0.1883、0.1425、0.2267。进一步证明Rational function函数模型能够准确反映RTEP与RLAI间的动态变化规律。最后分析不同施N量对棉花全生育期的物质生产潜力，结果表明：不同施N量对棉花LAI动态具有调控作用，尤其平均叶面积指数（MLAI）、最大叶面积指数（LAImax）和二者的比值等特征参数，对N肥用量反映敏感，可作为改善棉花叶片光辐射特性的重要指标，从而提高产量。本研究对于棉花生长发育进程中TEP的定量计算具有重要意义，为进一步拓展数字图像在棉花冠层光辐射与空间分布理论研究做铺垫。6．基于计算机视觉技术的棉花长势监测与氮素诊断远程服务平台本平台集成了数码相机和CCD数字摄像头成像技术，融合了基于数字图像识别分割处理技术、农业物联网与Web远程控制技术、信息传输服务技术和数据库管理技术于一体的远程服务系统平台，初步实现了对棉花群体长势情况远程监测与N素营养状况诊断。该平台为了满足用户需求和方便使用，其客户端为PC机用户和智能手机（Android系统）用户，远程终端采用B/S结构，该平台由棉花长势长相监测中心（田间监测）、网络信息服务控制中心（服务器）、图像分析与数据处理中心、决策诊断与评价中心以及用户浏览中心构成。搭建了一个大型的环式的集棉花监测管理于一体的“一网三层五中心”监测诊断体系，实现了对棉花群体长势情况远程监测与N素营养状况的初步诊断与评价。