昆虫识别技术在动植物检疫、农林业病虫灾害检测与防治、生态系统研究与保护等领域具有重要的应用前景。目前，对昆虫识别技术人员的需求与供给之间形成了巨大缺口，成为了制约我国农业、林业、生态、环保等事业发展的重大瓶颈。随着计算机科学技术的快速发展，计算机的运算处理能力、数字图像处理技术、计算机视觉技术、机器学习与模式识别的理论方法都有了突破性的进展。利用数字图像处理技术和模式识别方法进行昆虫自动识别，从根本上可以解决昆虫学家人员不足的现状，为我国的农林、生态、环保等事业创造巨大的经济价值。　　 本文针对昆虫图像的特点，在昆虫图像的特征提取、编码方法、汇聚方法、分类器融合等方面进行了深入研究。通过计算机视觉和模式识别技术对昆虫图像进行处理，实现昆虫物种的自动识别，具有理论意义和应用价值。论文主要研究成果如下:　　 1.提出一种针对昆虫图像识别的特征层融合方法。充分利用图像的局部纹理、颜色、形状等特征的互补性，将三类局部特征融合后，再进行字典学习、编码和分类，这种方法有别于传统的基于整体特征的融合方法，将局部纹理、颜色、形状等特征作为基础要素，更有利于编码的准确性，从而提升识别性能。　　 2.提出一种判别性的视觉字典生成和编码方法，将其与传统的稀疏编码(sparsecoding)、局部软编码(localsoftcoding)和显著编码(salientcoding)结合起来，充分利用训练集中的类别信息，在不增加视觉字典规模的情况下，提高其表达能力，进而增加昆虫图像的识别精度。　　 3.提出一种基于混合策略的汇聚(pooling)方法，不同于传统的加法汇聚(sum-pooling)对响应的“一视同仁”，也不同于传统的最大汇聚(max-pooling)对响应的“非此即彼”，而是通过对非最大响应的处理，将其所包含的信息汇聚到最后的特征当中，既解决了加法汇聚对于最大响应缺乏优先权的问题，又克服了最大汇聚对非最大响应一概忽略的缺陷，从而更好地利用局部特征来表征整幅昆虫图像。　　 4.提出一种针对非均匀类别集的分类器融合方法，在对昆虫图像进行分类的实际系统中，昆虫图像常以不同部位照片的形式得到，而对于同一个标本，由于捕捉或保存不当，会存在某个部位缺失的情况，且不同部位的分类器可能与类别集不一致。针对这种情况，我们利用分配-权重矩阵，设计了一种多分类器融合方法，充分利用不同部位图像之间的互补性，提高识别精度。