番茄是世界上需求量最大的蔬菜之一。然而受环境等不可控因素的影响,番茄病害频频发生,这严重危害了番茄的高产稳产,如今番茄病害已经成为番茄产业发展的障碍,给农民带来了很大的经济损失。人工识别的方法具有主观性,不确定性和盲目性,不但无法准确识别番茄病害,而且无法对番茄进行及时准确的救治,从而影响了番茄的产量和质量。因此,寻找一种准确高效快速的番茄病害检测方法是解决病害问题的关键所在。本文以番茄枯萎病、灰霉病和早疫病为研究对象,将数字图像处理和机器学习应用到番茄病害研究中,实现了番茄常见病害的检测。本文所作的研究工作如下:（1）番茄病害识别研究数据的采集及预处理。对番茄植株分别进行枯萎病、灰霉病和早疫病三种病菌的接种,将番茄植株培育到特定时期时,实验选取患有枯萎病、灰霉病、早疫病番茄植株,采集样品的根系扫描图像和叶片图像。进行数据采集后,通过图像灰度化、几何变换、图像增强等方法对图像进行预处理。（2）番茄根系图像枯萎病检测。将番茄根部用扩展高斯差分（XDoG）进行边缘检测,在HSV色彩空间中对番茄枯萎病进行检测。对于根系没有颜色变化的样本,提取与病害相关的根部形状参数,将其放入随机森林模型中进行训练。为了提高运行速率,对随机森林模型进行优化,采用基于主成分分析的随机森林（PCA-RF）模型实现病害根部的分类,从中检测出枯萎病样本。与随机森林模型相比,PCA-RF模型的平均识别率提高了 2.62%,核心算法平均运行时间提高了 62.13%。将PCA-RF模型与支持向量机（SVM）和K近邻算法（KNN）作对比,在识别率和Kappa系数上,PCA-RF模型明显优于其他算法。（3）番茄叶片病害图像检测。将番茄三种常见病害的叶片图像采用改进的遗传算法进行分割,自适应的调整交叉概率和变异概率,从番茄病害叶片图像的分割结果来看,改进遗传算法获得了比较满意的分割结果。对分割后的图像提取特征参数,建立基于GA-SVM的番茄常见叶片病害检测模型。GA-SVM对番茄枯萎病、灰霉病和早疫病的分类正确率分别达到了 94.44%、96.77%和95.83%,与SVM相比,GA-SVM模型的番茄病害分类正确率分别提升了 31.48%、18.99%和25.46%,证明GA-SVM的性能更好更稳定。