我国粮食在储藏期间每年至少有5%被储粮害虫所糟蹋。害虫在幼虫期时的危害最大,如果能在早期准确检测出粮粒内部的害虫,则可为确定合理的防治时机提供科学依据。Micro-CT成像系统能够有效采集粮粒内部结构的变化,在粮粒内部害虫的检测中有广阔的应用前景。现有方法通过Micro-CT提取粮粒切面图像上的二维特征,对于低龄幼虫和卵期的侵染,由于特征表达不够显著而易被漏捡。三维图像因其信息丰富,通过提取三维特征进行识别可以成为害虫龄期判别的有效手段。因此,本文通过研究对Micro-CT的切片数据集进行三维分割的方法,提取更直观准确表征米象不同龄期的三维特征,结合二维特征进一步提高米象龄期识别的准确度。主要研究内容如下:培育并制备侵染粒样本,将米象的发育阶段定义为五个龄期（卵期、低龄幼虫期、高龄幼虫期、蛹期和成虫期）。利用Micro-CT成像系统采集不同龄期下的侵染粒数据,并通过灰度拉伸和阈值分割进行预处理,以分割出目标区域及提高图像的对比度。由于重建时易产生伪影,采用z-FDK算法重建侵染粒的二维图像,提升了图像重建的质量,为后续提取三维特征提供更好的基础。利用侵染粒的二维切片图像,通过边缘抑制和连通区域标记法获取不同龄期下虫体及虫道的二值切片图像。针对二维分割效果不佳,提出改进的基于侵染粒的区域生长算法,通过设计特定的包含策略对种子点的26邻域进行搜索,实现侵染粒内不同龄期下米象及虫道的三维分割。并具体分析米象的三维图像。结果表明,不同龄期下虫体形态有明显的变化,三维图像较二维图像更清晰的展现出虫体足、触角、背部、胸部以及头部等在不同龄期下的特征。对米象的二维图像和三维图像,分别提取米象的高度、离心率和平滑度等21个二维特征以及体积、紧致度和球形度等12个三维特征,构建33维原始特征空间。由于特征维数较高,可能会存在冗余特征,利用人工蜂群优化算法降低原始特征空间维度,选择适应度最高（93.58%）的14个特征组合作为优化后的特征空间。根据虫道与虫体之间的强相关性,提取虫道高度、体积、表面积和最大横截面积的特征值,利用拟合函数表征虫道的变化趋势,为精确判别麦粒内米象龄期提供新的视角和维度。支持向量机分类器对小样本学习具有出色性能,构建以二维特征空间、三维特征空间、原始特征空间及优化后的特征空间作为样本集,利用其对麦粒内米象龄期进行分类,分类器对四类样本集的识别率依次为80%、86%、90%和98%。同时利用随机森林算法进行对比,上述四类样本集的识别率依次为78%、82%、85%和93%。两种分类器的试验结果均表明,三维特征较二维特征有更好的表征能力,分别能将识别率提高4%和6%,且优化后特征空间的表征能力最高,明显提升识别率的同时降低了特征空间的维度。将优化后的特征空间作为样本集,利用鲸鱼优化算法优化SVM分类器的参数组合,当c=75.8452、g=0.01时,ABC-WOA-SVM法的识别率最高为98%,比随机森林算法提高了5%。通过上述试验可知,ABC-WOA-SVM算法有效识别了麦粒内米象的龄期,且通过三维分割提取的三维特征进一步提高了识别率。