随着计算机视觉技术的发展,利用数字图像处理技术来进行农作物病虫害诊断得到了人们的关注。而图像分割作为数字图像处理领域中最为基础和重要的问题,一直是困扰着学者们的一个经典难题。　　 近年来,水平集方法因其在处理图像分割问题时表现出的良好性能而成为图像分割领域的研究热点之一。相对于传统的图像分割方法,水平集方法有着显著的优点,它通过建立模型的能量函数,将图像数据、初始形状和目标轮廓统一于一致的数学模型中,迭代演化过程不依赖具体的参数,演化曲线(面)隐式地表达为高维函数的零水平集,可自动处理感兴趣区域的拓扑结构变化,且很容易扩展到高维情况。　　 水平集方法虽然得到了较快的发展,但是其理论与应用方面的研究还有待于进一步深化和完善。因此,本文以黄瓜病害叶片图像为例,对水平集方法及其在作物叶片图像分割中的应用进行了相关的研究,实现了基于水平集的图像分割算法并改进基于图像处理的黄瓜病害诊断系统。针对局部二值拟合(LocalBinary Fitting,LBF)模型不能很好地处理纹理图像的缺点,利用结构张量信息来改进其模型,构造一种结合结构张量的新的水平集模型,并使用纹理图像与非纹理图像来验证模型的有效性。同时,通过实验分析得出改进后的模型应用到具有复杂背景的黄瓜病害叶片图像分割中时效果不明显,进而提出了进一步的改进方案--基于先验形状信息的水平集模型。该模型采用水平集方法表示目标形状,通过对初始先验形状的训练和校正,允许初始形状的平移、翻转和缩放。利用该模型对具有复杂背景的黄瓜病害叶片图像进行分割,取得了较好的效果。