稻瘟病是水稻重要病害之一,按发病时期和发病部位可分为苗瘟,叶瘟,穗颈瘟等,其中以穗颈瘟对产量影响最大。准确预测穗颈瘟受灾程度并采取对应的预防措施,可以提高防治病害的预测水平,有利于农业可持续化的发展。目前病害预测领域主要使用机器学习中神经网络,支持向量机,决策树等方法构建作物病害预测模型。然而,这些模型本质上都属于黑箱模型,理想的预测结果过于依赖合理的参数输入和准确的训练集样本,在复杂的实际情况中较难保障。针对以上情况,本文以安徽省颍上县为研究区域,提取与水稻穗颈瘟密切相关的气象因子集,通过聚类挖掘样本内部信息,采取对数据集降噪和挖掘最佳划分参数等手段,以提高穗颈瘟受灾预测模型的准确度为目的展开以下研究:(1)查阅相关文献,分析研究地区水稻穗颈瘟发病与气象因素的关系,提取气象因子集并收集相关数据。参考颍上县水稻病害统计,生长周期,气候气象等数据和文献,归纳当地水稻穗颈瘟发病与流行密切相关的气象因子。收集当地1998-2015年气象数据集,数据主要来源于“安徽省农作物病虫害监测预警平台”,与水稻病害方面相关文献和爬虫技术获取的历史气象数据。(2)使用聚类挖掘数据集内在特征。选择K-Means结合轮廓系数确立数据集中簇划分数目,设置DBSCAN中r和minPts识别数据集中的噪声点。这两条挖掘信息作为使用SVM建立预测模型进一步分析的依据。(3)对各预测模型进行建模。使用DBSCAN对数据集降噪后的SVM与直接使用SVM,分别生成穗颈瘟预测模型。经过交叉验证和历史数据回验,预测模型的精确度分别为62.5%,76.8%。验证了具有识别噪声点的DBSCAN算法作为SVM的预处理步骤可以提升病害预报模型的稳健性。得出适宜研究地区的穗颈瘟预测模型,并提出提升预测模型稳健度的建议。(4)设计与开发了水稻穗颈瘟受灾等级预测原型系统。系统处理智能高效,人机交互界面友好,对病害防治的科学决策起到积极的推动作用。