氮（N）是作物生长必不可少的营养元素。根据作物的氮营养水平,合理且精确地施用氮肥,不仅可以提高作物的产量与质量,还能保护环境、节约资源,缓解过量施肥导致的土壤酸化、土质退化、水源污染等问题,也是我国数字农业、绿色农业的切实要求。针对传统作物氮营养诊断方法具有复杂、费时费力等缺陷,利用数字图像进行作物氮营养素的快速无损诊断成为近些年的研究热点之一。本文以实验田的“农抗早”茶树为研究对象,基于图像处理技术,探究了自然环境下茶树氮营养诊断模型,并将研究结果应用于监控平台中。论文主要贡献如下:（1）基于监控平台的茶树图像自动采集系统。为更加便捷地获取茶树的数字图像,在茶园布设了监控系统。根据可变焦云台摄像机（PTZ摄像机）的特点,设计了定时自动巡航抓拍算法,在为研究采集数据的同时,建立了茶树图像数据库,为茶树氮营养诊断提供一种直观的、可追溯的数据来源。（2）基于改进的简单线性迭代聚类（simple linear iterative clustering,SLIC）与支持向量机（support vector machine,SVM）分类的茶树图像分割算法。针对目前图像处理技术极易受光照影响的缺陷,在分析了传统图像分割算法的缺点后,进一步分析了农业图像的色度学规律,进而对超像素算法SLIC进行了改进,利用改进的超像素分割算法结合SVM分类实现茶树图像的反光区域与背景区域的分割,经过与SLIC及另两种改进算法进行对比试验,证实了本论文改进算法的有效性。改进的SLIC+SVM分割后的茶树图像在光照变化的情况下,其图像的特征参数较未分割的图像表现地更加稳定,为图像处理技术在自然环境下的应用奠定了基础。（3）茶树氮营养诊断模型。分析了茶树实测含氮量值与茶树冠层图像的19个颜色特征参数的相关性,发现茶树含氮量与大多数颜色特征参数呈显著相关性水平。然后分别使用逐步多元线性回归（stepwise multiple linear regression,SMLR）、BP神经网络（back propagation neural network,BPNN）及支持向量机回归（support vector machine regression,SVR）建立了茶树含氮量的诊断模型,使用测试数据集验证模型的泛化能力并进行误差分析。接着对模型从不同方面进行了优化工作,在评价了优化模型的误差指标后,最终确定基于有限内存的BFGS（Limited-memory BFGS,L-BFGS）算法的神经网络分段模型为茶树含氮量最优诊断模型,其在子集N₁（N≦2.97%）的测试集上的均方根误差与平均相对误差为0.112,3.97%,在子集N₂（N>2.97%）的测试集上的均方根误差与平均相对误差为0.118,2.83%,具有一定实际应用价值。