水稻是我国最重要的经济作物之一,在我国种植面积广,食用人口比例大,因此,其长势与产量直接关系到我国的粮食安全。叶瘟病是引起水稻减产的主要病害之一,其中病斑位置、面积等特征信息的提取对于水稻叶瘟病情监测具有重要意义。传统稻田叶瘟病情监测主要以农技人员在田间采样调查叶损率以及病斑面积占比的方式对水稻染病情况进行评估,其成本高,效率低;以无人机为监测平台,利用图像处理技术对稻田冠层图像中染病区域进行圈定,并基于圈定结果对区域内病害分布情况进行监测、分级能够有效地提高监测效率,同时监测结果更为客观准确,具有极大的研究价值。随着深度学习技术的飞速发展,卷积神经网络在图像处理领域的优势十分明显,近年来研究学者针对不同应用场景提出了多种深度网络结构,并取得了良好的分割或分类效果。因此本文在湖北一实验田展开研究,在大田环境下,以无人机低空航拍的分蘖期水稻图像及其病斑标注样本作为数据集,基于Linknet深度卷积神经网络结构训练水稻叶瘟病圈定模型,并结合不同程度病害图像特征构建叶瘟病分级模型。本文主要取得了以下研究成果:(1)基于Linknet深度卷积神经网络结构搭建并训练叶瘟病灶区图像圈定模型。在验证集上查准率与查全率平均在97%以上,虚警率在2%左右。证明了Linknet结构适用于复杂场景下叶瘟病斑的圈定任务。(2)结合叶瘟病斑在图像中的分布特点,基于Focal loss对原始Linknet模型进行改进,使其更适用于复杂场景下的小目标圈定任务。实验结果证明改进后的网络在病斑查准率、查全率和虚警率等评价指标中均有明显提升。(3)利用改进后的Linknet网络对不同染病程度的冠层图像进行圈定,并结合圈定结果中病斑面积和数量两个特征建立叶瘟病分级模型。在验证实验中与人工抽样调查结果进行交叉验证,得到Kappa系数为0.775,表明本文构建的叶瘟病分级模型与传统人工调查结果具有较高一致性,以及以无人机为监测平台,基于水稻叶瘟病圈定模型与分级模型对稻田病情进行快速监测具有一定可行性。