小麦在我国种植范围广泛,是我国主要粮食来源之一。及时对小麦田发生的异常情况进行检测,对保障粮食产量和安全具有重要意义。本文旨在结合无人机、图像处理和机器学习技术,实现对麦田异常的监测,推进天地一体化智能农田的搭建。本文分析了小麦田的三种常见异常,即叶片病害、倒伏和幼苗缺失异常。根据它们的表现形式和特征,分别使用不同的模型方法进行检测。对于本文所涉及的实验材料,小麦叶片数据来源于网络,小麦倒伏和幼苗缺失数据为无人机拍摄获取。本文主要研究内容与结果如下:（1）针对现有叶片病害识别模型需要输入大量已知病害数据,并且当发生未知病害,会因缺少数据而检测不到的问题,本文提出一种基于颜色矩的无监督异常检测算法。该算法首先对原始数据进行图像去噪、图像分割、图像截取等预处理操作,然后仅需输入正常叶片,经K-means++聚类和图像分块后,提取颜色矩特征,构建比对模型并设置阈值,即可测试叶片是否发生病害异常。对比正确率与漏警率发现,当数据经过一定预处理操作,并且输入足够的正常数据集时,本算法结果优于KNN、ABOD、CBLOF等传统机器学习算法。在小麦叶片病害异常检测中,正确率达到93%,漏警率约3%。（2）小麦在生长中后期,受自身品种、栽培措施、天气环境等因素的影响,极易发生倒伏异常,这是限制小麦高产、稳产、优质的主要因素之一。为及时检测倒伏异常以便采取补救措施,减少小麦产量损失,本文采用改进的GANomaly深度学习模型,以一种半监督学习方式对小麦大面积、中等面积、小面积倒伏以及混合面积倒伏进行异常检测。实验对比多种改进的CAE模型,结果发现,改进的模型即im-GANomaly对小麦倒伏异常检测效果更好,对不同面积倒伏检测的AUC值均不低于90%。（3）小麦播种后,由于缺少养分、播种深度不当以及土壤环境等,出苗阶段会发生缺失异常,这对实现小麦稳产高产不利。本研究首先利用VGG-19网络对苗株进行识别与计数,为计算小麦出苗率提供参考,平均计数准确率达95%以上。然后选取缺失幼苗图片与视频,经处理后,最终选用YOLO v5m检测网络,实现了部分麦田区域幼苗缺失检测,m AP值可达53%。继而实现了对麦田合成图的缺失幼苗可视化与信息统计,方便了相关人员了解苗情信息并采取相应的补种措施。