目前我国传统的粮库储粮害虫识别技术都是通过人工操作在单机的情况下进行的,在操作的过程中暴露了很多弊端,大量耗时、误判高、成本高、效率低[1]。面对不断扩大的粮仓规模,传统的方法显然已经不能满足对害虫检测识别的需求,为了能够快速识别这些庞大的数据,可以借助分布式处理云平台进行处理。分布式处理平台采用分布式计算技术,拥有多个处理器和存储系统,可以对多个程序或者并发程序在松耦合或者集中控制的方式下进行计算,可以降低计算成本、存储海量数据、按需获取。本文采用了基于分布式云平台的并行BP神经网络算法对害虫进行图像识别。该图像识别系统采用了全局异步,局部同步的工作原理,当控制层收到用户的请求后调用过渡层的算法集群,过渡层针对检测到的不同的害虫特征,在每个处理阶段调用最优的算法来提高图像处理速率。然后将该系统部署到云平台,云平台收到用户指令后会调用该系统并对图像进行识别操作,将识别结果通过网络反馈给用户。本文通过实验将该系统与传统的单机识别系统做了性能上的对比分析,实验证明该系统大大提高了害虫检测识别的速率,并在文章最后阐述了基于云平台图像检测识别系统的具体实现。以下是论文的主要研究工作:(1)详细分析了当下害虫检测技术的发展研究现状,重点阐述了分布式文件系统和MapReduce并行框架的设计原则、架构组成以及如何处理文件的读取和写入请求。(2)针对基于云平台的害虫图像检测识别系统进行设计分析,具体描述了图像在预处理阶段、图像分割阶段、特征值提取阶段所采用的算法集群,系统根据样本图像的不同特征采用最合适的算法进行处理,同时系统还设置了算法参数列表,根据全局异步、局部同步的方法通过控制层对底层算法模块进行具体调用,提高了处理效率,节约了处理成本。(3)设计基于并行BP神经网络的图像分类器,并构建网络训练模型,对神经网络的并行化过程进行了具体描述,根据实验数据对样本进行训练。根据实验的结果对基于并行化神经网络算法的识别系统与传统的系统进行了性能的对比分析。(4)介绍了云平台的服务流程以及整体设计,采用Hadoop搭建了云平台,对Hadoop前置环境和集群模式进行了配置,并阐述了基于云平台害虫识别系统的具体实现。