小麦作为我国主要的粮食作物之一,其产量是国家粮食安全的重要保证。小麦病害是影响小麦产量的重要因素,病害的爆发会带来大规模的减产、降质。因此,加强对小麦病害识别方法的研究具有重要的意义和价值。其中,图像识别技术是应用于小麦病害识别领域的新技术,近年来取得快速的发展和广泛地应用。图像分割是图像识别过程中的关键步骤,决定了后续识别的成功与否。复杂背景下的图像分割一直以来都是图像分割领域中的难以解决的问题,由于大田小麦所处的环境复杂(光照阴影、泥土、杂草等等),背景信息量巨大,传统的分割方法不足以将病斑图像与复杂的背景环境进行分离,目前这类问题尚未得到较好的解决。本文在总结国内外相关研究成果的基础上,针对复杂背景下小麦病害图像的实际特点,以小麦的四种叶部病害(条锈病、叶锈病、白粉病和叶枯病)为对象,研究了复杂背景下小麦病害图像分割方法,并通过实验验证了该方法的有效性,最后设计了复杂背景下小麦病害图像智能分割系统,论文主要从以下几个方面进行了研究：(1)提出一种基于K-means聚类法等多种算法相结合的分割方法。该方法采用逐步分割的策略将小麦病斑图像从复杂的背景环境中分割出来：首先是在L*a*b*色度空间下,利用泥土、光照、杂草等背景与小麦病害叶片在a*b*分量上所呈现出的差异性,对a*b*颜色分量上的像素进行K-means聚类运算,从复杂背景中分割出小麦叶片图像；其次,利用Otsu动态阈值法对图像进行二值化处理,并结合数学形态学运算及面积阈值法分割出带有病斑的主要小麦病害叶片图像；最后,根据病斑在颜色特征上与健康叶片区域的区别,采用绿色分割法,实现复杂背景下小麦病斑图像分割。(2)分割方法的实验验证。利用上述方法对复杂背景下4种常见的小麦病害彩色图像进行分割实验,通过实验结果的对比以及实验数据的统计分析,得出该算法的分割准确率达到95%以上,表明该算法有较好的鲁棒性和分割准确率,为病害识别奠定基础。(3)设计并开发了基于MATLAB语言的复杂背景下小麦病害图像智能分割系统。