农业生产历来关系到我国的社会稳定、经济繁荣以及国家安全。我国的耕地面积占不到世界总耕地面积的7%，但是却要为占世界总人口数的20%人口解决吃饭的问题。所谓“无农不稳，无粮则乱”，体现了粮食生产在我们国家各项工作中的重要地位。小麦作为我国主要的粮食作物之一，在其整个生长周期中，经常会受到小麦害虫的影响，严重制约和影响了小麦的产量和质量。为了解决这一问题，计算机视觉、图像处理以及模式识别等技术逐渐被用于小麦害虫的识别研究。本文正是在这个方面的一个具体尝试，其主要的研究内容如下：害虫库的建立以及系统的总体设计。本文对常见的小麦蚜虫、小麦粘虫、麦种蝇、麦秆蝇、吸浆虫、麦叶蜂、麦蜘蛛、金针虫和蝼蛄等8种小麦害虫图像建立其图像数据库。以PC机为硬件平台，以MATLAB7.7为软件平台，分析了小麦害虫图像识别系统从图像获取、图像分割、特征提取以及图像识别的整个技术流程，完成系统的总体功能设计。小麦害虫图像分割：为了得到更好的图像分割结果，首先对某些品质不好的图像做简单的图像预处理；然后将基于LCV模型的图像分割方法用于小麦害虫图像的分割，主要是用图像局部加权均值来取代C-V模型中的全局均值，同时把约束水平集函数作为符号距离函数的能量项，以此来避免水平集函数的重新初始化；在此基础上，用形态学处理方法做腐蚀或膨胀处理，得到最终的小麦害虫图像分割结果。实验表明，该方法可以有效地分割小麦害虫图像，且计算过程稳定，演化速度快速，反应图像灰度变化准确。小麦害虫图像特征提取：将主成分分析（PCA）方法用于提取小麦害虫图像的特征，主要是用特征的线性组合实现图像的降维，从而提取小麦害虫图像的10个主成分。实验表明，主成分分析方法可以有效地提取小麦害虫的特征，且该特征可以有效地表征小麦害虫图像。小麦害虫图像模式识别：将支持向量机（SVM）方法用于构建小麦害虫图像分类器。支持向量机是在样本空间或特征空间定义最优线性超平面，使得最优超平面和不同类样本集间的距离最大，以此达到最好的泛化能力。实验表明，支持向量机可以构建一个性能很好的小麦害虫图像分类器，同时能够解决构建过程中的维数灾难、非线性、过度拟合以及有限样本等问题。基于上述研究，本文在MATLAB7.7上构建了一个小麦害虫图像的识别系统，并用该系统对8种小麦害虫进行识别，识别率达到81.25%。