油菜是我国主要的油料作物，但受杂草危害严重。据全国农田杂草考查组考察，长江流域冬油菜田草害面积约占种植面积的46.9％，一般年份会造成油菜减产10％～20％。化学除草法是最有效的除草方法，但通用的粗放式大面积均匀喷施方式，不仅浪费严重，且会增加农药残留、破坏生态环境。理想的除草剂施用方式应是选择性变量喷施，但其首要的问题就是自动识别杂草。近年来，国内外学者运用机器视觉、光谱检测分析、多光谱成像分析等技术对水稻、玉米、小麦、棉花、大豆、甜菜、番茄和胡萝卜等作物的田间杂草识别方法进行了大量研究，但是针对冬油菜苗期田间杂草的识别研究相对较少。　　本文拟以冬油菜苗期田间杂草为研究对象，运用光谱分析技术，通过采集冬油菜苗、冬油菜苗期田间各种杂草以及土壤的光谱信息，寻找合适的特征波长并建立判别模型，并在此基础上设计基于光谱技术的传感器，为田间杂草自动识别装置的开发奠定基础。主要内容如下:　　1.通过ASD便携式光谱分析仪采集冬油菜苗、土壤、杂草的光谱反射率。一次测量得到5组数据，油菜采集60次，干、湿土壤各采集30次，每种杂草采集50次，随机选取训练集和预测集。对所有样本数据进行平滑、一阶导数、压缩等预处理。并对采集的光谱数据曲线进行光谱特性的分析，可知400～1300nm范围内的信息量较为丰富，是本研究的重要波段。　　2.采用逐步判别分析法，按统计量Wilks Lambda最小值原则选择变量，选取了710、755、950和595nm共4个特征波长。运用4个特征波长分别建立了典型判别函数模型和贝叶斯判别函数模型。用这2组模型分别对预测集进行预测，典型判别函数模型的正确识别率为97.78％，在不同的先验概率下贝叶斯判别函数模型的正确识别率分别为98.89％和97.78％。　　3.运用无信息变量消除法消除无信息变量的干扰，再通过连续投影法根据RMSE的变化以及模型的需要进一步消除冗余信息，提取的特征波长，分别为450、720、885和1255nm，以建立简洁的分类模型。根据所提取的特征波长分别建立典型判别模型、贝叶斯判别模型和PLS-DA模型，三个模型对预测集的正确分类率分别为94.44％、96.67％和87.78％。　　4.以预测集的正确识别率为依据，综合考虑模型对训练集的分类效果，对本研究建立的所有判别模型进行了比较，得出结论为:在识别冬油菜苗期田间杂草时，运用逐步判别分析法提取特征波长，并根据各个种类样本的大小计算先验概率，所建立的贝叶斯判别模型较稳定，对预测集的正确识别率较高，该方法更适用。将该模型作为设计光谱传感器的依据。同时，就各个判别模型的错误判别，进行了误判分析。由于叶片中叶脉，绒毛或者叶片拼接部位的影响，采集的光谱特征产生变化，进而影响样本分类。　　5.运用优选的四个特征波长点及模型，设计光谱传感器。根据光学系统原理与田间实际操作要求，确定在田间测试时光谱传感器的视场角为9°，测试物距为400～700mm，对应的视场范围直径为60～100mm;为使田间探测时四个光学通道的视场范围基本一致，设计传感器周围通道的光轴与中心通道光轴成3°的夹角;采用LED主动光源，同时选择了合适的凸透镜、滤光片和光电池。开发光谱传感器硬件电路，并对光谱传感器进行了标定试验和试验验证。该光谱传感器能够对冬油菜苗期田间杂草进行识别，同时为杂草自动探测装置的开发奠定了基础。