植物病虫害对我国农业生产造成重大威胁,往往会导致严重的经济损失。而病虫害防控的首要因素就是对植物进行大量的表型检测,其一方面可以指导当下病虫害的精准防控,另一方面可以筛选出基因突变的植株用于后续培育抗病品种。我国目前对于植物病虫害等胁迫的检测主要靠人力识别,虽然准确性较高,但是效率低下并且难以应对现实中大面积的病虫害爆发情况。随着我国农业信息化的发展,光谱遥感、图像处理和机器学习等技术逐渐成为植物病虫害监测的有效工具。然而,这一过程目前还存在着许多的挑战,包括如何在海量数据中挖掘有效的特征信息,如何缩减特征规模以提高模型应用效率,如何在不同的尺度下设计适合的病虫害识别模型等问题。目前茶树病虫害严重影响茶叶的生产,但缺乏相应的高效检测手段。本文以茶小绿叶蝉（GL）、炭疽病（AH）和叶片灼伤（BR）三种典型且易混的茶树病虫胁迫为例,基于光谱和图像信息在叶片、冠层和无人机尺度下开展茶树胁迫监测方法的研究,具体研究内容包括如下:（1）针对GL、AH和BR构建多尺度茶树胁迫光谱和图像数据集。主要包括叶片尺度的成像高光谱数据集和冠层尺度的RGB图像数据集,另外还采用无人机获取更大尺度的茶树胁迫RGB图像,用于评价模型迁移能力,扩展算法的应用场景。（2）在GL、AH和BR三种相似的胁迫光谱区分中,一个重要的问题是如何从植物光谱中提取与病虫害相关的有效特征,理想的光谱特征集应该具有对目标参数的高灵敏度,而特征之间的信息冗余度较低。但是现有的光谱特征选择方法均无法同时满足上述两个要求,为此,本研究提出一种用于深度挖掘植物光谱信息的算法——连续小波投影算法（CWPA）,并对方法进行检验。结果表明,在茶树胁迫区分中CWPA仅以2个特征便达到98.08%的分类精度。此外在回归场景中CWPA亦能以较少的特征得到较高的反演精度。CWPA由于结合连续小波分析（CWA）和连续投影算法（SPA）的优势,能在保持特征间互补性的同时寻找最敏感的特征组合,在光谱特征深度挖掘等方面表现出较大潜力。（3）基于成像高光谱技术在叶片尺度提出一种茶树胁迫分步识别区分方法,方法首先识别出叶片中的异常区（即三种胁迫对应的病斑区域）,之后针对异常区进行具体的胁迫类别区分。在茶树异常区识别时,基于经典的光谱特征（微分和连续统）构建专属特征集,之后结合k-means和支持向量机（SVM）构建异常区识别模型。结果表明异常区识别模型总体精度达到92.14%,并且在SVM分类前采用k-means算法对叶片图像进行聚类可有效避免分类结果出现病斑边缘不规整的问题。基于异常区识别的结果,采用CWPA方法进行胁迫区分,模型对三种茶树胁迫的像素级分类精度达到92.01%。结果表明,成像高光谱信息结合茶树胁迫分步识别区分策略可有效提升算法表现,在植物病虫害检测方面具有较大潜力。（4）在冠层尺度采用图像数据研究茶园多种胁迫的检测、区分及程度量化的方法。提出一种结合深度学习和图像处理技术的冠层尺度的病斑识别及分割策略。方法首先利用一种优化的Faster RCNN算法进行胁迫检测,获得胁迫检测框后基于RGReLU特征进行茶树胁迫病斑分割,最后将冠层尺度下的检测模型迁移至无人机图像,并进行模型测试。经验证,本文提出的方法可有效实现冠层尺度的胁迫自适应检测并能够输出病斑类型和对应面积占比,其中目标检测部分mAP达到76.07%,病斑分割部分总体精度达到88.85%。另外,本研究提出的方法具有较强的泛化能力,可以将模型迁移部署至适用于更大范围茶园胁迫巡检的无人机拍摄场景中,消减不同场景间的数据隔阂,提升模型和数据的利用率。