农作物病害的诊断和识别对于提高农作物质量具有重要的意义。将图像处理和机器视觉技术应用于农作物病害识别中,相对于传统人工诊断和识别方法具有无法比拟的优越性,提高了农作物病害监测和预警的能力。通过对农作物在生长过程中受到的复杂因素(例如,叶片相互遮蔽、叶片扭曲和变形、不同的气候条件、不同的光照条件、阴影、其他植株和土壤等复杂背景)的综合分析,深入分析和挖掘农作物生长发育规律。针对田间实际复杂环境下的农作物病害图像,具有背景信息量巨大、病害特征多变、病害关联度高和病害复杂度高等特点,以农作物病害的生理学特征为基础,将图像处理技术和作物信息学相结合,研究基于复杂环境(背景)的农作物病害图像预处理、病害分割、病斑特征提取和病斑类型识别等一系列关键算法,建立农作物病害识别的动态预测和分析模型,智能化地对农作物生长过程进行动态监测和病害信息的自动化诊断。具体工作如下:首先,针对大田简单背景和复杂背景下采集的农作物病害图像,对病害图像进行去遮挡、图像融合、边缘检测和基于均衡化的病害图像增强等预处理操作,并对预处理后的图像进行图像质量评价。提出了基于热力图的病害图像去遮挡算法,实验结果表明,算法既去除了遮挡信息,又去除了大部分的背景区域,使得病害图像尺寸变小的同时保证了病害叶片的完整性。接着,在基于复杂背景的病害图像分割阶段,针对田间环境下采集的具有复杂背景的病害图像,提出了基于显著图的病害图像分割方法。利用显著图检测策略,获取病害图像的显著图,将显著图作为掩码图像,对病害图像进行复杂背景分割。实验结果表明,显著图和Grab Cut相结合的病害图像分割方法对图像噪声、光照不均匀、病斑色彩不均匀等因素具有较强的抗干扰能力,可以完整地分割出大部分病害叶片,并能够保留病斑的细节。与基于CNN的分割算法相比较,基于显著图的Grab Cut分割方法能够提高细粒度类别数据集上的病害图像分割精度。然后,在病斑图像特征提取和优化阶段,对枸杞叶片病害和水稻叶片病害进行了病害类型的生理学特征分析,主要提取了病斑图像的颜色特征、形状特征和纹理特征等多维特征。采用主成份分析PCA方法进行特征优化,将PCA降维后的特征向量再进行LDA投影变换,得到最佳分类特征,为了下一步的分类识别提供可靠保证。针对标注不充分的病害图像识别问题,提出了基于区分深度置信网络的农作物病害识别算法。在小规模病害图像数据集和中规模病害图像数据集上的分类识别实验中,基于DDBN的病害识别算法在没有足够的已标注病害图像或只有较少的已标注病害图像时表现出了稳定的、准确的、优良的分类性能。并且采用分类准确率、分类错误率、混淆矩阵和ROC曲线四种方法对本文提出的病害图像识别分类器进行分类性能的客观评价。最后,针对田间大面积农作物图像检测问题,提出了基于Faster R-CNN的病害图像自动检测方法,实现了病斑叶片的快速定位。采用“先检测、后识别”的策略,开发了农作物病害识别系统,将其应用于枸杞作物的病害识别和生长环境监测中,实现枸杞生长过程的动态监测和病害信息的自动化诊断。本文研究了基于复杂背景下的农作物病害图像识别关键算法,针对农作物病害自动识别和检测问题提出了较为可行的解决方案,在小规模数据集枸杞叶片病害图像上取得了较好的实验效果。本文的研究也为农作物病害的智能检测和识别研究提供了一种新的思路和方法,为农户及时防病治病提供必要信息,为实时、准确地诊断、识别和预测病害提供了技术支撑。