为了更好的识别农作物病虫害的图像信息,以玉米斑病为例,利用无人机载机器视觉系统对玉米斑病进行露天采集作业,根据采集到的图像,选用各向异性去噪增强和最大熵分割的方法和卷积神经网络的方法进行实验对比。对各向异性去噪增强和最大熵分割的方法,将裁剪后的病斑图像进行直方图均衡化灰度增强预处理,分析影响病斑目标分割的因素,之后进一步采用各向异性扩散去噪方法,对玉米病斑图像进行去噪增强。采用最大熵分割的方法实现了对玉米病斑图像的特征分割,并通过形态学分析,对病斑图像进行准确提取。对卷积神经网络,采用自制训练集的卷积神经网络的方法进行实验,以Alex Net为基础,设计合适的卷积神经网络。在正向数据流传播时引入dropout层解决梯度弥散问题,在反向损失函数传播时引入Adam优化器来优化损失函数。通过对比,分析各自的优缺点以及改进方法。通过分析两种方法的过程与结果不难发现,深度学习在进行农作物病虫害识别时,可以跳过复杂的特征提取的步骤,但是在数据集的收集上有了更高的要求,而且因为其隐式识别的特点,其特征无法准确的展示出来;用图像分割处理的方法可以直接对要识别的图像进行处理分析,清晰的展示其识别过程,但是特征提取的计算过程较为复杂。实验结果证明,用深度学习的方法也可以简单迅速的完成对农作物病虫害图像的识别。准确率可达到97.5%。图25幅;表3个;参59篇。