随着马铃薯主粮化战略的启动,马铃薯成为了我国重要粮食作物之一。目前,马铃薯种植技术已较为成熟,提高马铃薯产量和品质是当前的研究重点,但在马铃薯生长过程中,易发生许多的病害,造成产量和品质的下降,从而使得经济受到重大损失。因此,及时准确的发现病害,可以有效降低经济损失。随着科学技术的发展,研究马铃薯叶片病害自动识别方法,对提升农作物病害诊断的智能化水平有着重要的现实意义。本文选取马铃薯早疫病和晚疫病作为研究对象,结合图像处理技术和模式识别技术,开展对马铃薯早疫病和晚疫病的识别方法研究。主要工作内容如下:(1)为了提高图像分割、特征提取和识别技术的可靠性,本文提出了一种基于插值运算的分数阶微分掩模(IOFDM),该模板不仅可以增强马铃薯叶片图像的纹理细节信息,还可以去除噪声。(2)为了精准提取马铃薯叶片的病斑区域,本文采用自适应阈值法对病斑进行提取,并结合形态学处理法对提取的病斑进行后续处理,最后取得了较好的效果。(3)对特征提取与特征融合方法进行研究,共计提取了29类特征参数。主要包括:R、G、B、H、S、I以及HSV彩色模型中的V分量的均值与方差;相关性、能量、惯性矩和信息熵的均值与方差;7个Hu不变矩。最后,通过贡献率比较主成分分析(PCA)和分数阶主成分分析(FPCA)对特征融合的效果性,最终选择FPCA对马铃薯病斑的特征参数进行降维。(4)在MATLAB平台上,采用BP神经网络与支持向量机(SVM)对马铃薯晚疫病和早疫病进行分类。实验表明,IOFDM+FPCA+SVM对两种病害的分类正确率为98%;IOFDM+PCA+SVM对两种病害的分类正确率为88%;IOFDM+PCA+BP对两种病害的分类正确率为80%;IOFDM+SVM对两种病害的分类正确率为58%;IOFDM+BP对两种病害的分类正确率为54%;SVM对两种病害的分类正确率为52%。因此,本文最终选择IOFDM+FPCA+SVM对马铃薯早疫病和晚疫病进行分类,其分类正确率为98%。