本文以机器视觉为主要技术手段,综合运用图像处理学,模式识别等方面的知识,以茄科类作物及杂草为研究对象,对自然光照条件下数码相机获取的图像进行研究,实现了茄科类杂草的智能识别。主要研究内容为: （1） 针对后续处理需利用颜色特征,作者运用彩色图像滤波对原始图像进行预处理,并比较了矢量滤波和标量滤波的优劣。综合考虑图像预处理效果和图像处理速度,作者认为在杂草识别中彩色图像标量滤波优于矢量滤波。 （2） 在图像背景分割部分,作者结合G.E.Meyer等提出的超绿色（ExcessGreen）思想分别运用直方图技术、最大方差法和最优阈值法,比较分割后的图像得出:最优阈值法分割效果最好。 （3） 运用颜色分量归一化思想解决了图像受光线影响的背景分割。对检测叶片覆盖部分边缘的问题,作者利用吕明忠等人提出的基于色差思想,即通过像素之间的颜色梯度（色差）而不仅仅是灰度梯度来检测边缘,改进了Sobel算子,较好的检测出覆盖部分的边缘。对二值图像上出现的非目标物和目标物上的斑点,作者运用形态学方法进行了处理。 （4） 针对茄科类作物和杂草的形状特征,作者提出宽长比、第一不变距、圆满度、致密度四个无量纲形状特征参数作为模式识别输入特征。在纹理特征提取方面,作者提出狄度差分统计法的对比度和角度方向二阶矩两个纹理特征作为模式识别的输入特征。 （5） 设计BP神经网络,并对隐含层的激活函数和误差函数作了改进。隐含层的激活函数采用双极性S形函数,它可以减少收敛时间。误差函数采用Fahlman的δ_pi=[f′(a_pi)+0.1](t_pi-γ_pi),既有利于学习速度的加快,又避免了麻痹现象的发生。通过试验得出网络结构为6-12-2,学习误差为0.03,学习速率为0.01,动量因子为0.95的神经网络,其对茄子、青椒、干金子、马唐、凹齿苋的识别率分别为:96%、94%、100%、96%、94%。 本研究为后续准确喷洒除草剂提供了必要的理论依据,对保护生态环境,缩小我国在农业自动化领域与发达国家的差距,促进计算机图像处理技术在我国农业工程领域的应用具有一定的意义。