棉花是我国重要的经济作物,在国民经济中占有十分重要的地位。在棉花的生长过程之中会遭受到多种病虫的危害,其中蚜虫和红蜘蛛都是棉花的主要害虫,如果不及时防治会严重影响棉花的产量和质量。传统的防治方法是喷洒农药,但过度的喷洒农药会污染环境。现在提倡精准喷施,精准喷施的关键一步是识别虫害,光谱分析技术能利用物体之间反射率的差异性来区分物体,而且快速、准确、无损伤。结合光谱分析技术和机器学习算法,本文对棉花虫害叶片进行了鉴别研究。本文主要的研究内容如下:（1）以受红蜘蛛危害的棉花叶片和发生蚜虫虫害的棉花叶片为实验对象利用地物波谱仪获取350-2500nm范围内的棉花高光谱数据,其中,包含红蜘蛛胁迫棉花叶片数据、蚜虫胁迫棉花叶片数据以及正常棉花的数据。（2）分别采用朴素贝叶斯算法、K-近邻算法和SVM算法进行棉花虫害的识别,三种模型分类识别精度分别为82.35%、88.24%和88.24%。（3）分别利用改进的主成分分析（PCA）方法和逐步判别分析对棉花叶片高光谱数据进行特征降维,发现利用逐步判别分析筛选特征波长的方法不适用,而改进的PCA方法展现了良好的适用性,能够有效的提高分类器的准确率。将降维后的数据分别导入朴素贝叶斯算法、K-近邻算法和SVM算法,并且在K-近邻算法和SVM算法上运用网格搜索进行参数寻优。最终,分别在朴素贝叶斯算法、K-近邻算法和SVM算法达到的识别精度为92.16%、90.20%和92.16%。（4）为寻求分类性能的提升,根据本文处理的棉花叶片高光谱数据,本文搭建了双层神经网络模型和改进的Le Net-5网络,导入经过PCA降维后的数据,在改进的Le Net-5网络和双层神经网络模型上最终识别率分别达到90.20%和94.12%。结果表明,利用高光谱数据可以区分蚜虫胁迫棉花叶片、红蜘蛛胁迫棉花叶片和正常棉花叶片;结合PCA处理棉花叶片高光谱数据能够提高识别率且不需要获得具体的特征波段;对于蚜虫胁迫、红蜘蛛胁迫和正常棉花叶片的识别,朴素贝叶斯模型、K-近邻模型、SVM模型、改进的Le Net-5模型和双层神经模型都表现出了良好的识别能力,其中双层神经网络模型表现最好。