害虫的快速、准确统计识别是农作物病虫害防治的基础。传统的害虫检测主要依靠植保专家通过肉眼进行人工统计与识别，存在主观性、模糊性且费时费力。随着计算机技术的发展，人们逐渐将图像处理和模式识别技术应用到害虫的识别中，并建立害虫识别系统，提高了识别准确率和工作效率。　　课题以在田间和大棚采集到的典型有翅昆虫作为研究对象，以黄板和树莓派摄像头构建图像采集系统，以树莓派作为开发平台，完成有翅昆虫统计识别系统的搭建。首先，为了有效区分采集图像上的目标与排泄物、水珠和泥点等杂质，论文对比研究了基于连通区域标记和基于深度学习网络YOLO的有翅昆虫检测与计数方法。然后，研究了传统模式识别技术和基于深度学习网络的识别技术。在对传统模式识别方法的研究中，提取有翅昆虫的颜色、形状、纹理等全局特征和HOG局部特征；根据提取的特征，分别用SVM和BP神经网络对指定种类的有翅昆虫构建分类器并进行分类识别，并探讨了基于多元特征组合的分类器的分类识别率。在对深度学习网络的研究中，分析了基于YOLO深度学习网络的识别技术。最后，完成树莓派开发环境的搭建，运用Python、OpenCV和Darknet完成了统计识别系统；以在花卉种植基地和草莓大棚采集到的黄板图像作为测试图片，以人工识别的种类和数量作为标准，对系统的性能进行了测试。　　实验结果表明，与连通区域标记方法相比，YOLO深度学习网络的计数准确率更高，抗干扰能力更强。对于分类结果，由于用于训练的样本数量不够，YOLO的分类准确率不高；SVM分类器在运算速度和分类准确率上均优于BP神经网络；颜色、纹理、形状和局部特征等单一特征不能很好的区分有翅昆虫，全局特征结合局部特征对分类准确率有一定的提高，但是计算速度明显变慢。因此，论文选择了基于 YOLO深度学习网络的计数方法与基于全局特征的 SVM分类器实现论文的统计识别系统。系统对测试图片的计数平均正确率为93.45％，分类平均正确率为92.24%，基本达到了论文的设计要求。本论文研究结果为基于机器视觉的害虫统计识别技术提供了理论和实践基础。