柑橘是我国南方地区最重要的果树之一,柑橘产业已成为南方农业经济中不可或缺的一部分。而黄龙病（Huanglongbing,HLB）被认为是柑橘的癌症,蔓延速度快、危害大。感染黄龙病的柑橘树,产量和质量会受到严重的影响、甚至死亡,给果农及相关产业造成巨大的经济损失。目前还没有药物可以治愈柑橘黄龙病,对于黄龙病的预防,常用的诊断方法,如PCR（Polymerase Chain Reaction）检测、DNA探针杂交和血清学诊断等方法,需要专业人士和专门的实验仪器,成本高、效率低,在实际生产中难以推广。随着无人机遥感技术的发展与近几年人工智能的再次兴起,采用信息的植物病害的智能检测的研究便应运而生。本课题针对柑橘黄龙病田间检测诊断,采集了大量田间低空多光谱数据和手机拍摄的地面可见光图片数据,采用地空多源数据相结合的方式展开了一系列研究,验证了无人机遥感及人工智能技术在柑橘黄龙病检测的可行性。本文的主要工作包括:1.提出一种基于无人机多光谱图像特征筛选的方法,通过软件ENVI（The Environment for Visualizing Images）提取 ROI（Region Of Interest）、随机抽样取平均、计算植被指数、去除相关性,分析对比了 PCA（Principal Component Analysis）线性特征和AutoEncoder非线性特征的效果。随机选取100000样本采用6:2:2比例进行训练,验证和测试,整体上线性特征在柑橘黄龙病检测的准确率比非线性特征约高2%～8%。2.对比 SVM（Support Vector Machine）、kNN（k-nearest neighbour）、LR（Logistic Regression）、Navie Bayes和集成学习等机器学习的算法,调参建立用于识别黄龙病多光谱特征的分类器,并调整阈值使各模型准确率达到最优,SVM准确率达79.76%,kNN为81.27%,LR准确率为72.20%,AdaB oost准确率达100%,神经网络达97.28%。相比于其他几个分类器,AdaBoost和神经网络鲁棒性较好,对于样本量的增加仍能保持较高的准确率。3.实现一个基于手机可见光图片在柑橘黄龙病检测上的应用,利用监督和非监督的数据增强对有限数据进行扩充,用迁移学习的方法对比基于服务端的Faster R-CNN模型和基于手机客户端的MobileNet模型,Faster R-CNN损失值比MobileNet损失值低1.4,预测的结果更好。4.搭建了一个基于Faster R-CNN模型的柑橘黄龙病检测系统,使用C++QT设计客户端界面,使用Erlang语言实现服务端支持大量客户端高并发运行,具备接收图片并调用图像识别算法返回结果,同时支持数据存储功能。本课题通过一系列的研究实验,提出了地-空相结合多源信息相结合在柑橘黄龙病监测上的可行性。通过无人机多光谱遥感与机器学习模型相结合,经过一系列的特征工程和算法调参优化能在低高空准确地识别柑橘黄龙病;根据多光谱图像识别的初步定位,再结合深度学习模型对单植株叶片进行识别,精准定位到感染柑橘黄龙病的植株,并将其连根挖出,使得田园黄龙病得到很好的防控应用。