农作物在生长过程中,受到外界环境因素或人为因素的影响,其代谢过程被破坏,不能正常生长,进而影响作物的产量或质量,带来巨大经济损失。植物病害识别目前主要依靠人工肉眼观察植物叶片上的病害症状,根据经验诊断植物病害,效率低且误判率高,已经无法满足农业市场需求。随着机器学习的兴起,农业信息化、智能化逐步发展,为农作物病害的自动识别技术带来了全新的研发思维与方式。本文基于传统机器学习和深度学习算法,以番茄和生菜为研究对象,开展植物病理病害和生理病害的识别研究。主要内容包括:（1）建立并完善了番茄病理病害和生菜生理病害图像数据集。对已公开植物病理病害图像数据集Plant Village中的番茄图像部分做了水平翻转、亮度和对比度调整等类平衡处理,以及背景分割操作,构建番茄病害图像数据集。结合生菜缺素实验,采集4个类别（缺钙、缺镁、缺钾和全素）生菜缺素图像,建立生菜生理病害图像数据集,为后续研究提供数据支撑。（2）利用传统机器学习算法（支持向量机、随机森林、k最近邻）对9种常见番茄病理病害（疮痂病、早疫病、晚疫病、叶霉病、斑枯病、红蜘蛛损伤、靶斑病、番茄花叶病、番茄黄叶卷曲病毒）和3种生菜缺素生理病害（缺钙、缺镁、缺钾）进行准确识别研究。采用对比实验法,进行了8组对比实验,比较分析了不同图像特征提取方式（LBP、GLCM、LBP+GLCM、COLOR、COLOR+LBP、COLOR+GLCM、ALL、SIFT）对病害识别效果的影响。实验发现,不同的数据集图像,由于数据特征（颜色、纹理、形状）不同,其最优特征提取方式也不同,如番茄病理病害在SIFT特征提取方式下取得了较好的识别效果,而生菜生理病害却是在COLOR特征提取方式下取得了较好的识别效果。三种传统机器学习算法中,支持向量机算法对番茄病理病害识别效果最好,其准确率达到91.0%,而对生菜缺素生理病害识别效果最好的却是随机森林算法,其准确率为97.6%。（3）利用7种深度学习算法（Alex Net、VGG16、Res Net34、Efficient Net-b0、Mobile Net V2、Squeeze Net及Shuffle Net）对植物病害进行准确识别,并利用4种评价指标（准确率、精确率、召回率、F1值）、混淆矩阵、ROC曲线面积等方法对比分析不同算法的不同识别结果。为保证获得准确的识别结果,避免数据过拟合问题,对图像数据集进行了旋转、翻转、调整对比度等增广操作,扩充训练数据。对比实验发现,Res Net34算法对番茄病理病害识别效果最好,4种评价指标均高于99.6%。采用常用轻量化网络Mobile Net V2、Squeeze Net以及Shuffle Net对生菜缺素病害进行准确识别,结果发现所测试的3种轻量化模型都取得了较好的识别结果,各类评价指标均达到了99.5%以上,识别结果较理想。本文基于机器学习技术实现了对植物生理病害和病理病害的准确识别,采用的技术路线、研究方法以及所得出的研究结论对于其他作物病害识别研究具有一定的参考价值,同时为植物病害识别模型在移动端部署提供了前期理论支持,具有一定的实用价值。