本文以水稻稻纵卷叶螟为研究对象，结合其危害后冠层叶片所留下枯斑及卷曲等特征，研究基于图像处理的田间水稻稻纵卷叶螟虫斑叶片的识别方法。本文的主要内容如下：　　 1.研究了适合于自然光条件下拍摄的田间水稻稻纵卷叶螟虫斑叶片图像噪声的滤波方法。对图像进行滤波试验，对比分析邻域均值滤波器和中值滤波器的滤波效果和滤波时间。研究结果表明，邻域均值滤波器较运算速度较快，去噪效果较好，但存在边界模糊的现象，影响后续分割的准确性。中值滤波在保存图像的边缘和纹理细节上较好，但需要对每个窗口内的像素点大小进行排序，运算量较大，用时较长。综合考虑两种滤波器的利弊，在本文的图像预处理中使用中值滤波法进行图像噪声的滤除。　　 2.提出了一种基于大津阈值法的Gustafson-Kessel(GK)模糊聚类图像分割算法。分别选取大津阈值法和边缘检测法对水稻稻纵卷叶螟危害后虫斑图像进行了分割试验，结果发现，上述两种分割方法都不能较好地分割出水稻稻纵卷叶螟虫斑。但是大津阈值法能够在不影响目标虫斑的前提下，将图像中较多的绿色部分除去，可作为后续分割算法的基础。在自然光条件下，由于光照不均匀等影响，传统的图像分割方法无法很好地进行水稻稻纵卷叶螟虫斑的分割，为此本文首先对图像进行超绿色方程变换，再进行大津阈值分割，然后以HSI（H:色调，S：饱和度，I：亮度）颜色空间的S分量为基础采用GK算法进行水稻稻纵卷叶螟危害虫斑区域分割。试验结果表明，该算法能较好地分割出图像中的目标虫斑区域，准确率达到80.5％，具有较好的适应性。　　 3.从颜色、纹理两个方面提取了用于区分水稻稻纵卷叶螟虫斑叶片和正常叶片的特征参数，通过对测试样本进行分析发现，RGB（R:红，G:绿，B:蓝）颜色空间分量R的偏度，R的均值，B的偏度和YIQ（Y：颜色的明视度，I、Q：色调）颜色空间的1分量的能量值，HSI的颜色分量S分量的均值可以作为区分这两种叶片的特征参数。在纹理分析中，没有找到合适的特征参数来较好地区分这两种叶片。在模式识别特征参数的选择中，使用K近邻分类器进行实验，结果表明B分量偏度、R分量偏度、S分量均值组合可以很好的区分水稻稻纵卷叶螟虫斑叶片和正常叶片。因此，本文采用这三种特征参数组成的特征参数组合作为后续模式识别的特征参数。　　 4.采用K近邻法、BP神经网络分类器对水稻稻纵卷叶螟虫斑和水稻正常叶片进行分类试验。水稻稻纵卷叶螟虫斑和水稻正常叶片的分类试验结果表明：采用K近邻法分类器（k=1，k=3）的识别正确率分别为88%、90%，采用BP神经网络的识别正确率为91%。在算法的时间消耗方面，BP神经网络的运行速度比其它几种分类器的运行速度慢的多，BP神经网络的平均运行时间为1.3531ms，K近邻法分类器(k=1，k=3)的平均运行时间分别为0.45161ms和0.41915ms。综合考虑算法的识别准确率和时间消耗，本研究采用K近邻分类器(k＝3)作为区分水稻稻纵卷叶螟虫斑叶片和正常叶片的分类器。