数字诊断技术是近年来水稻营养诊断的主要发展方向,建立高效、快速、实用的水稻数字诊断技术体系具有十分重要的意义。本研究以扫描仪和低空无人机机载数码相机两种数字图像获取方式,分别获取水稻叶片扫描图像和田间冠层图像,分析叶片和冠层数字图像特征与水稻氮磷钾营养状况的关系,选择图像光谱敏感特征,建立营养模式识别规则及定量化模型。同时将作物营养专家的诊断经验量化处理,以作为水稻营养诊断的辅助因子。本研究的主要工作、认识及结论如下：1.两种方式获取的数字图像对比为了能够快速、准确的提取水稻叶片特征,本文利用扫描仪采集水稻叶片数字图像,采集过程受环境影响小,方便快捷,扫描图像的背景单一也为叶片特征的准确提取提供了保证。为了对比扫描数字图像和数码相机获取数字图像之间的异同,本文根据数字图像质量评价方法,以两种途径获取的水稻叶片数字图像为对象,从彩色度、对比度和信息度三方面进行对比分析。结果表明：两种图像在三项评价标准下,彩色度和信息度不存在显著差异,扫描图像保持数字图像信息量丰富的优点；两种图像对比度差异较大,但扫描图像的对比度的离散程度较小,数据表现出较强稳定性。因此,利用扫描方式获取的叶片数字图像能够保证颜色、纹理和形状的准确提取,对比度的稳定性又进一步证明,以扫描为手段获取图像进行图像分析做理论性研究是有独特优势的。基于对比分析的结果,同时考虑到扫描获取日益普遍,本文对影响元素缺乏种类及程度判断的叶片局部关键信息量化获取采用扫描方式,而对水稻冠层整体信息的采集选择数码相机。2.基于叶片扫描图像的氮磷钾营养诊断规则的建立在不同氮磷钾营养状态下,水稻植株会表现出不同差异,水稻叶片表现更加明显。本文以氮磷钾不同营养水平处理的水培水稻为材料,利用扫描方式获取叶片样本数字图像,采用数字图像技术提取叶片颜色、纹理、形状特征,并根据水稻叶片不同缺素种类下的生理症状表现,针对性的加入一些特异性的识别特征。单因素营养水平间特征差异性对比和特征选择出的最优特征集合显示,氮营养诊断中,叶片颜色因子对结果的预测具有重要作用；磷营养诊断中,纹理特征间差异性明显,可用于磷营养水平的区分；钾营养诊断中,叶片斑点面积比例特征可区分和识别钾营养水平。对缺素叶片样本进行分类识别,获取不同营养水平的识别规则。结果表明,对氮、磷、钾单一元素处理的样本识别结果中,缺素样本均能以高精度识别率被识别出,并且呈现出随着营养水平的升高,识别率降低,老叶识别效果好于新叶的规律。分别对两年缺氮、缺磷、缺钾和正常叶片样本的诊断识别中,筛选出的特征对比表现出,缺磷对水稻叶片图像直方图均值和熵纹这两个纹理特征影响比较大；对缺钾叶片易出现斑点的水稻品种,斑点比例对缺钾样本区分度较高。因此,纹理特征和斑点特征分别可以作为缺磷和缺钾样本的典型特征。缺磷和缺钾样本的典型特征使得两种缺素种类样本识别率较高,分别为97.1%和100%。以2009年试验数据为训练样本建立的规则对缺氮的样本识别精度为77.8%,正常样本的识别率为90.3%。以叶片图像特征为依据对三种缺素样本和正常样本的区分结果表明,各类缺素样本能够以高精度的识别率被区分出来,以缺素水稻叶片典型性特征作为依据进行水稻缺素种类的诊断识别是可行的。3.基于无人机冠层图像的水稻氮素营养诊断以旋翼无人机为平台,获取水稻冠层图像具有快速、便捷、区域性强等优点,以水稻冠层图像为研究对象进行营养诊断能够达到实时、高效的目的。本文以旋翼无人机机载数码相机获取的不同氮肥处理水稻冠层图像为对象,提取与地面取样点对应的图像特征,分析图像特征与地面测定值之间的关系,探求利用低空冠层图像对水稻营养状况进行监测的可行性。结论如下：冠层水稻高光谱曲线在可见光区域的趋势和深绿色指数DGCI与叶片含氮量呈极显著二次曲线关系表明,冠层图像的RGB、HSI颜色空间特征与水稻氮营养水平显著相关,可用于估测水稻氮肥营养状况,对冠层图像的8个纹理特征值与对应点的水稻叶片氮含量做相关分析,获得5个相关性较高的纹理特征。通过RGB、HSI颜色空间特征和纹理特征三方面与不同水稻氮营养水平冠层图像综合分析,说明利用冠层图像对水稻氮肥营养状况估测具有可行性。从六个不同施氮区域随机提取100个样点的图像特征,获取每个样点的特征值,并进行施氮水平的识别。识别结果显示不施氮肥的区域识别率最高,达100%,正常施氮水平的识别率最低为55.9%,50%正常施氮量田块识别率为85.7%,75%正常施氮量田块识别率为61.7%,150%正常施氮量田块识别率为85.1%,习惯施肥田块识别率为80%。4.叶片含氮量预测模型的建立为了能更精确的衡量水稻氮营养状况,预测叶片氮含量,本文分别以不同氮处理叶片图像特征和冠层图像特征选择出的特征集合为依据,利用因子分析的方法,将众多特征转化为少数几个互不相关的综合指标,解释各因子含义,并构建综合预测因子。对水培叶片图像和冠层图像的分析结果表明：叶片特征组成的因子可以分为颜色因子、纹理因子、形状因子,对结果贡献率分别为40.04%、29.62%和26.44%。冠层图像特征组成的因子分为颜色因子和纹理因子,各自贡献率为85.55%和9.27%,对比单叶和冠层分析结果可知,利用叶片特征对叶片氮含量预测时,颜色因子的贡献率虽然最高,但纹理和形状因子的共同贡献率较高,对结果的预测有不可忽视的作用；而冠层特征各因子中,颜色因子是对营养状态预测的主导因子,纹理因子贡献率较低,这也是两种诊断的差异之一。以综合预测因子Fz值为自变量,叶片含氮量N为因变量,获得水培氮水平处理叶片含氮量的预测模型N=2.8967e-0.3312FZ和大田不同施氮水平水稻’叶片含氮量模型N=-0.01FZ2-0.39FZ+2.3155.专家经验的量化及对营养诊断的辅助作用由于水稻品种多样,而且生长环境差别较大,品种间叶片特征的表达有很大差异,为了保证诊断结果的准确性以及诊断规则的广泛适用性,在研究过程中,收集大量水稻营养诊断经验知识,从中筛选出便于获取的一些经验性特征为研究对象,这些特征能够通过无损、方便、快捷的方法获取或表达,以水培模式培养的氮磷钾缺素水平水稻植株为试验样本,探讨了水稻经验性诊断经验的量化方法,并利用这些量化的经验性特征对不同样本进行分类识别。结果表明：以筛选出的能够判断水稻氮磷钾营养状态的3个经验性特征RLS(叶鞘比)、DL(叶间距)、Cl5/Cl4(第五叶与第四叶颜色比)作为研究对象,利用图像分析技术和其他便捷方式将经验特征量化,并通过监督离散和决策树的方法分别对氮磷钾三种不同营养的64个样本进行分类诊断,并得到区间形式的诊断规则,分类结果评价显示精度较高。