数字农业技术作为现代信息化农业的前沿研究领域之一,是我国未来实现农业现代化与可持续发展的关键技术。数字农业需要快速、实时、准确和定位化的获取植物的生理信息和生长状况,而传统的化学方法巳不能满足数字农业的发展要求,因此,迫切需要开展关于快速无损测定植物生长营养信息和监测作物生长状况的研究。本研究以种植广泛的油料经济作物油菜作为研究对象,应用Cropscan多光谱福射仪对油菜苗期冠层的SPAD值进行了快速无损检测。同时应用高光谱成像系统对油菜虫害进行了鉴定,主要结论如下:(1)应用Cropscan多光谱辐射仪对油菜苗期冠层SPAD值的快速无损预测进行了研究。将该仪器下的15个波段所获取的光谱反射率值作为模型输入量在线性模型(PLS)中,建模集的相关系数为0.7323,残差为3.4528;预测集的相关系数比建模集低,为0.6640,预测残差为2.7859。在非线性模型(LS-SVM)中,建模集的相关系数为0.7459,残差为3.1567,同样预测集的相关系数较建模集低,相关系数和预测残差分别为0.6805,3.1227.(2)基于不同波段下组合的植被指数预测SPAD值的进行了研究。通过不同波段组合的得到了不同的楦被指数(Ri100-R690)/(Rl 100+^690)、(Rl650-R690)/(Rl650+R690)>RgBo/ReWR830/R560。比较了这四种植被指数所建立模型对预测冠层SPAD的结果,并且探索了同一楦被指数下所建立线性模型、二项式模型、指数模型及对数模型。通过比较的得出,二项式模型在所有的植被指数中建模最优。四种植被指数中(RU00-R690:)/(RU00+R690:)所建的二项式模型最优。建模集和预测集的相关系数分别为0.7691、0.7012,残差分别为1.98、2.03。(3)应用可见/近红外技术高光谱成像系统中光谱特征对油菜蚜虫进行了检测与识别研究。比较了全波段下基于SG、MSC、Detrending及SNV预处理方法对LS-SVM建模效果的影响,其中基于SNV预处理算法的建模效果最优,在53个预测集中正确率达到90.57%。为了使得所建模型响应速度快、输入量少,探索了连续投影算法(SPA)、荷系数法(X-LW)、主成分载荷贡献率分析法(PCA-Loadings)3种特征提取算法对建模结果的影响。经过计算得出基于PCA-loading所提取的13个特征波长所建的LS-SVM模型最优,识别正确率为88.68%。最后,为了研究不同建模模型对健康叶片和姆虫叶片分类影响,实验选用了最小二乘支持向量机(LS-SVM)、最小二乘判别分析(PLS-DA)、极限学习机(ELM)模型,得出基于PCA-loading特征波长下最小二乘判别分析模型最优。(4)应用光谱技术对油菜健康茎秆和含有蚜虫茎秆的鉴别分析进行了研究。得出基于Detrendin下的SPA算法提取的特征波长较少,且所建的LS-SVM模型最优,建模集的预测正确率为89.66%,预测集的识别正确率为86.21%,通过其它模型的正确率也均在80%左右。(5)在对蚜虫虫害的鉴别分析中,应用图像处理技术提取了特征波长下油菜叶片的10个纹理特征并基于此特征进行建模分析。提取的纹理特征有对比度、相关、能量、同质性、反差、熵、协方差、逆差距、二阶距和自相关的特征。将这些特征作为建模的输入量得出最优的建模模型为极哏学习机模型(ELM),其预测正确率仅为69.81%。而将光谱特征与图像特征相结合,所探讨的3类模型的预测正确率均在85%以上,其中PLSDA的预测正确率为92.45%。(6)通过ADC相机对油菜菜青虫的吞噬叶片的动态过程进行了监测。采集分析了5h之内菜青虫对叶片侵害图片。提出了一种基于像素比例方法评估菜青虫虫害的程度,分析得出将阈值设定为0.2745,背景分割的效果最好。通过对图像进行背景分割、二值化等处理计算出缺失叶片比率,从而评估油菜虫害的严重的程度。