基于机器视觉的农业机械导航路径研究主要集中在旱作物行、垄线、犁沟线及旱作物收获边界等提取方面,鲜有将机器视觉自动导航路径识别技术应用于水田耕整机械。本研究以水稻、油菜和小麦高茬水田耕整图像为研究对象,以1GMD-200型水田秸秆还田耕整机为试验平台,以实现水稻、油菜和小麦高茬耕整路径识别与导航参数有效提取为目标,在总结前人研究成果的基础上,结合现有路径识别及参数提取理论与方法,对高茬水田耕整路径机器视觉识别方法进行试验研究,具体研究内容如下：(1)搭建了高茬水田耕整图像动态采集系统。以东方红-LX954拖拉机为平台,通过计算机控制工业相机实现高茬水田耕整图像动态采集。其中,相机距离地面安装高度为h=2.15m,安装俯角为θ=31.8。。(2)提出了一种新的灰度化加权因子R+G-2B,并取得了较好灰度化效果。比较现有常规加权法、过绿特征加权法、色度分量法对本研究对象灰度化结果,得出过滤特征加权法可获取对比较鲜明的灰度化图。为寻求更优灰度化效果,分析了高茬水田耕整静态采集图像残茬区与耕整区颜色分量特点,提出了R+G-2B灰度化法。(3)提出了一种基于像素均值纹理描绘子的图像分割法。通过对比灰度直方图双峰法、最大类间方差法和基于纹理统计法对超绿特征灰度图和R+G-2B灰度图分割结果,确定本研究图像分割法为基于R+G-2B灰度图像的像素均值纹理描绘子法。其中,像素均值纹理描绘子区域窗口尺寸为12×2(行×列)个像素,像素均值阂值为100。(4)针对形态学滤波后部分图像耕整区存在大面积白色噪声点,提出了一种剪切二值图像方法。通过统计二值图像列方向上累计像素值的和并计算和的最大值与最小值的均值A,确定像素值分别为1.8×A和0.1×A所在列数,从而确定二值图像剪切边界。(5)确定了导航路径检测方法——最小二乘法。分别采用传统Hough变化法、基于己知点Hough变化法和最小二乘法对高茬水田耕整图像进行导航路径检测,结果表明：采用最小二乘法检测导航路径拟合精度高,不受耕整区白色干扰点影响,抗干扰性强,路径检测耗时600ms左右；采用基于已知点Hough变化法较传统Hough变化法拟合精度高、路径检测耗时短,但两者均易出现导航路径误检测,路径检测耗时分别为1500ms和450ms。(6)确定了相机内参。采用张正友平面标定法标定相机,确定了相机内参。路面误差验证试验表明,相机标定倾角误差在1。范围内,截距误差在0.03m范围内,标定结果可满足实际导航需要。(7)在校内开展了路面试验,路面试验截距误差△c=0.3256mm,倾角误差△θ=2.4156。；在华中农业大学现代农业科技试验基地水稻核心试验区开展了田间试验,田间试验截距误差△c=-0.1655mm,倾角误差Aθ=--3.3729。。