农作物生长状态和病虫害监测是农业生产发展中尤为重要的一个环节，其对农作物产量和品质影响较大。基于传统人眼视觉和RGB数字彩色设备监测农作物的方法往往效率低、误判率大。然而，光谱成像技术以其图谱合一的特点，解决了传统科学领域“图谱不能合一”和“同色异谱”等问题。鉴于此，本论文研究基于光谱成像技术的农作物特征波段提取与分类。首先，根据光谱成像技术原理，通过分析核心成像器件CMOS黑白工业相机与液晶可调谐滤光器（LCTF）两种组合方式的各自优缺点，以及考虑成像系统的便携性、稳定性和充分应用LCTF的有效孔径，实验选取LCTF位于镜头与CMOS相机之间的组合方式，搭建了基于农作物的多光谱成像系统，并介绍了该成像系统的工作原理、系统定标、多光谱图像采集、数据处理和表达等内容。然后，在400-720nm波段范围，实验通过搭建的多光谱成像系统分别获取了4类农作物样本每隔5nm的多光谱图像，并得出4类样本的光谱特征曲线。考虑到实验所得多光谱数据冗余度大、波段间相关性强、占用存储空间大、数据处理算法难度提升等特点，因此有必要从大量成像光谱数据中选取有效的农作物特征波段。结合特征波段的选取准则，根据波段指数法和图像亮度信息法原理，分别计算得出健康四季豆叶片的特征波段结果；通过分析植物的特征、信息量的大小和波段间的相关性，得出波段指数法获取健康四季豆叶片的特征波段结果比较理想。因此，实验通过波段指数法获取了其他3类农作物样本的特征波段。最后，根据近邻法决策规则，从监督分类中常用的距离法、光谱匹配技术中的光谱角度匹配法和相关系数法入手，实验从全波段和特征波段角度分别对4类农作物样本进行分类。实验结果表明，对于全波段的农作物样本，3种分类方法的分类精度均大于97.00%，能够较好地实现分类；对于特征波段的农作物样本，3种分类方法均不能单一对4类农作物样本予以高精度的分类，而通过分类方法的相互组合可以实现对4类样本的理想分类；其中，对于稻飞虱为害后水稻叶片亦可以增加特征波段数量来提高其分类精度。实验对于正确分类的农作物，建立相应农作物特征波段的多光谱数据库。实验结果表明，基于光谱成像技术应用于农作物生长状态监测和病虫害诊断是一种快速、无损的监测技术。实验获取的有效农作物特征波段对快速识别农作物提供了一种方法和思路，优化了多光谱图像数据，有望应用于快速识别其他作物和精细农业分类，以及高光谱遥感识别地物等领域。