当今世界人工智能发展迅速,已经渗入到人类生活的方方面面。我国作为一个农业大国,水稻是我们最重要的粮食作物,如何利用机器学习促进农业的发展成为研究热点。本文以水稻病斑的识别为背景,结合图像处理技术分别采用支持向量机和深度学习两种不同的机器学习方法展开研究,通过对算法的优化改进以建立水稻病斑识别最优模型。本文主要内容包括:(1)建立四种水稻病斑图像数据集。采用矢量中值滤波、基本矢量方向滤波和距离方向滤波三种滤波方式对图像进行预处理,通过计算均方误差和峰值信噪比对滤波效果进行评价,最终选择矢量滤波方法对图像进行滤波。(2)建立基于显著性的GrabCut图像分割模型。为了克服传统GrabCut分割方法由于需要手动框选目标像素而造成的巨大工作量,本文利用图像的显著性算法实现目标区域自动提取:利用AC算法得到图像的全局显著性和局部显著性,将两者结合得到的显著性图设计成约束项加入到Grabcut区域项中以实现Grabcut的自动分割。(3)利用改进的支持向量机算法实现水稻病斑图像识别。首先利用图像的颜色特征和HOG特征实现病斑图像的特征提取,将提取到的特征作为支持向量机的输入对分类模型进行训练。为了优化支持向量机参数,提高模型泛化能力以及分类准确率,引入了粒子群算法,利用粒子群算法的全局搜索能力对支持向量机参数进行寻优,将训练好的模型用于水稻病斑图像识别过程,并对分类结果进行评价。(4)建立了基于预训练的DDC深度迁移学习算法模型。针对水稻病斑图像集样本数量不足的情况,引入迁移学习的概念,提出了一种基于预训练的DDC深度迁移学习算法,将在大型数据集上预训练好的卷积神经网络模型迁移到水稻图像集进行再次训练。并针对不同的训练样本差异较大的问题,提出用DDC算法进行优化,将最终得到的训练结果与直接在训练集上训练的结果进行比较,验证了所提出算法的有效性,证明了该算法具有更强的表征能力,同时为了进一步提高网络性能,用PSO-SVM分类器替换网络原本的SoftMax分类器,结果证明网络的性能进一步得到了提高。