随着除草剂广泛应用于除草中，虽然减轻了人工劳动量，但也带来成本增加、作物品质和农业生态环境的污染等问题。本文利用计算机图像处理技术和小波分析工具对小麦田间常见杂草进行边缘检测，为杂草识别的实现打下基础。针对田间摄取图像时的随机扰动，图像中含有的噪音，为了提高识别效果，本文对所获得的图像进行一些前期的预处理。首先要把用照相机获得的真彩色图像灰度化，然后用中值滤波法对灰度图像滤波，去除了高斯白噪声对图像的影响。为了使农作物杂草等绿色植物和土壤背景分离，采用阈值分割按灰度级分为若干部分，本文中为了减少计算量，将杂草图像变成仅含有目标和少量高频噪声的二值图像。本文重点就几种经典的图像边缘检测微分算子作了分析和优缺点对比，基于这些算子都是在原始图像上(时域)进行的，不能在频域上对信号分析，作者利用小波分析的“自适应性”和“数学显微镜性质”对图像检测边缘算法进行研究。第一种算法是基于B样条函数的多尺度分析和数学形态学理论，选择2阶B样条小波作为小波基函数，对杂草图像进行Mallat快速变换，为了避免滤掉弱的边缘，本文把B样条小波边缘检测算法和数学形态学边缘检测算法进行融合，最后得到了综合各个尺度特征的理想边缘。第二种算法是小波分析模极大值边缘检测方法，根据李氏指数与小波变换关系，采用小波模极大值在不同尺度下传播的特性，检测出图像在水平和垂直方向的极大值，然后利用模糊算法构造相应的隶属函数，提取弱边缘信息，最后得到不同尺度下的边缘图像，仿真结果表明这种方法可检测出弱边缘。第三种算法是基于小波包的边缘检测，小波包理论优于其它小波分析方法就在于它不仅对低频图像进行分解，对高频图像也是一样，这样就可以获得更多的图像信息，实验结果表明，经小波包分解后，重构得到的近似部分图像去除了高频分量，能够检测到原图像中检测不到的边缘。本论文对边缘检测算法进行了综合的研究、对比和改进，为可变除草剂喷洒提供了理论支持，有一定的实用价值。