作物病害表型监测对于作物的抗性育种和栽培管理具有重要意义。目前传统的病害调查主要通过人工田间进行,这种方式费时费力且主观性较强,工作效率低下。本研究针对上述出现的问题,针对叶面型病害和茎秆型病害两类病害,以茶树炭疽病和水稻纹枯病为例,基于成像高光谱数据研究这两种病害的光谱响应特点和差异,并基于不同类型的病害提出不同的分析思路以及方法,通过图谱分析进行病虫害识别。本文的实验和研究主要工作如下:(1)开展系统实验获得研究数据。通过设计并开展实验获取水稻纹枯病和茶树炭疽病的成像高光谱数据。于杭州水稻研究所纹枯病实验田开展纹枯病成像高光谱获取实验,拍摄60幅成像光谱数据(感病30幅,正常30幅),经过光谱数据质量监测,最终选择32幅进行实验数据分析。并于浙江武义县开展茶叶炭疽病实验,在实验茶园采集健康和炭疽病叶片样本,用小型保温箱将叶片从田间运至实验室,采用一套室内高光谱成像系统进行成像光谱测试实验共检测100片茶叶(50片正常和50片炭疽病叶片)。剔除有损伤且光照异常的叶片,最终选取78片叶片(正常39片,炭疽病39片)作为后续研究的样本。这些实验为后续病害数据分析提供了坚实的基础。(2)以茶树炭疽病为例,提出叶面型病害高光谱图像识别方法。基于高光谱成像数据,进行特征构建和优选分析,将独立t检验分析和比值分析相结合,筛选出位于542nm、686nm和754nm的病害敏感波段;在此基础上,分别采用比值和归一化结构,构建了两种病害指标,即茶炭疽病比值指数(TARI)和茶炭疽病归一化指数(TANI);基于针对分辨炭疽病和正常叶片敏感的高光谱特征,提出并验证了一种自动识别算法,实现了对茶树叶片炭疽病病斑的自适应性检测。通过验证样本,其模型对病斑区域图像的识别总体精度(OAA)可达0.98,Kappa系数可达0.94。与直接基于像素的分类结果相比,该方法具有较高的准确率和较强的鲁棒性,可以为病害识别和程度分析提供有效的手段。因此,利用高光谱成像技术可以实现茶树炭疽病的自动、准确监测。(3)以水稻纹枯病为例,提出茎秆型病害高光谱图像识别方法。基于高光谱成像数据,建立病斑分级识别模型,基于kmeans均值聚类算法在NIR和RED二维空间下完成对背景的去除。并针对异常部位和正常部位进行特征提取和优选分析,将JM距离和比值分析相结合,最终确定666nm和494nm处波段为区分异常区域的敏感波段;在此基础上,采用Fisher线性判别完成叶片茎秆等正常部位的去除。并通过采用JM距离和T检验,筛选病害敏感波段,提出并验证了一种基于特征图像剖面曲线特征的病斑识别算法,实现了对水稻纹枯病病斑的自适应性检测。通过大量数据的分析验证,其模型对纹枯病样本图像的识别总体精度像素尺度上可达98.37%,在斑块尺度上的总识别精度为87.76%。此外,将本研究提出的方法与传统SVM(Support vector machines,SVM)算法进行相比,采用SVM算法病斑的提取结果出现病斑和非病斑异常区域混杂的情况,病斑识别率较低。因此,本研究提出的算法具有较高的准确率和较强的鲁棒性,可以为病害识别和程度分析提供有效手段。