粮食安全始终是关系社会稳定和经济发展的重大战略问题,小麦是我国最重要的粮食作物之一,保证其稳产高产对于我国粮食安全至关重要。小麦白粉病是一种真菌性病害,具有潜伏侵染的特性,早期无明显症状,一旦发病就会迅速播散,给小麦生产造成重大损失,实现小麦白粉病早期快速诊断及病情监测已成为病害防治与抗性鉴定的迫切需求。作为一种快速、无损和高效的检测方法,高光谱成像具有“图谱合一”的技术优势,近年来已广泛应用于作物病虫害的诊断。本研究融合高光谱成像技术与深度学习方法,开展了小麦白粉病早期诊断、病害等级划分及病斑生长预测研究,创制了便携式小麦白粉病诊断仪,旨在为小麦白粉病的高效诊断提供新思路、新方法和新途径。主要研究内容如下:（1）基于高光谱成像的小麦白粉病早期诊断与可视化。为实现小麦白粉病早期快速识别与病情可视化监测,采集了不同接种天数后的小麦叶片高光谱图像,获取小麦白粉病高光谱时序响应特征,观测分析了不同染病阶段样本的分类散点图、主成分特征图像与载荷曲线。进一步地,提取了12个特征波段与能量、熵及对比度的9个纹理变量,分别构建了光谱、纹理特征及其融合数据的小麦白粉病早期诊断模型。结果表明,基于光谱与纹理特征融合的偏最小二乘判别分析模型（Partial Least SquaresDiscrimination Analysis,PLS-DA）表现最好,对不同侵染阶段的小麦叶片识别准确率为91.4%。此外,借助光谱角映射（Spectral Angle Mapper,SAM）方法进行不同染病阶段的病斑识别,实现了小麦白粉病发病过程可视化监测,为病害防控与抗性鉴定提供理论依据和技术支撑。（2）基于深度学习的小麦白粉病病害分级。传统病害等级划分大多依靠植保专家,效率低、劳动强度大,运用深度学习技术,以白粉病病斑占比衡量小麦叶片受胁迫程度,将白粉病划分4个等级（健康、轻度、中度、重度）,采用YOLOv5s网络模型训练数据集,共耗时11h,得出模型权重为13.7MB,当迭代800次损失值收敛,m AP达到99.5%。测试集识别速度为83FPS,精确度、召回率和m AP,分别为88.4%、90.4%和88.8%,证实了YOLOv5s网络模型对于白粉病叶片分级的潜力。（3）小麦白粉病生长预测模型。传统小麦抗性的鉴定操作繁琐,主观性强,因此结合图像处理技术提取病斑外观特征参数,构建白粉病动态预测模型,以确定病斑生长阶段,掌握病斑发病规律。对生长周期内小麦白粉病叶片进行图像分割,得到单个病斑图像目标,进而计算病斑面积,采用最小外界矩形计算病斑长、宽和伸长度。结合数学模型,建立病斑面积生长Logistic最优模型与病斑伸长度生长Exponential最优模型,根据生长模型将小麦病斑生长周期划分为三个时期,即生长前期、速生期和生长后期。（4）便携式小麦白粉病诊断仪开发。目前市面对于病害诊断仪器体积大,无法实现原位实时诊断,为此基于特征波长与病害分级模型,设计开发便携式小麦白粉病诊断仪。采用模块化设计思想,搭建核心控制模块、光源放大模块、信号放大模块、显示模块、A/D转换模块和摄像模块等,通过系统程序控制各模块实现数据交互和协同控制。仪器性能测试结果表明,病害识别率为72.5%,分级准确率85%,识别速度6s/个,为开发更加简便实用的小麦白粉病诊断设备提供了技术支持。