图像处理和识别是计算机应用技术的重要方面,在人工智能、工业自动化、生物医疗工程、卫星遥感等众多领域中占有重要的地位。随着精准农业技术的出现,使图像处理和识别技术应用到田间杂草识别成为可能。此外,化学药剂的喷洒方式普遍为大面积粗放式喷洒,这种方式与精准农业和绿色环保的理念背道而驰,使得杂草识别的研究有了实际意义。对于田间杂草识别而言,首要问题就是如何精准的采集杂草分布信息,并确定杂草的分布情况,从而达到正确区分作物与杂草的目的,实现药物的精准喷洒。在总结国内外相关研究的基础上,以玉米苗期图像为研究对象,提出了背景分割、杂草识别方法。本文主要研究内容和创新点如下：1、针对绿色植物,研究了基于颜色特征的背景分割,介绍了RGB、HSI和HSV颜色模型,主要对基于RGB颜色模型的超绿算法进一步研究。通过图像中G、R和B各分量的总像素值占整个图像的总像素值比例情况比较,得到超绿法中的分割因子；研究了背景与绿色植物分布情况不同的图像,确定了背景分割的分割界限。2、由于阈值分割法对图像处理实时性好、应用范围广,本文改进了传统的阈值迭代算法,提出基于粗糙集的阈值迭代算法,克服传统阈值迭代算法的速度慢、在图像的细微处区分度不高和信息大量丢失的缺点。3、针对行间杂草,采用基于位置特征的识别方法,重点研究了作物中心行的识别和标定方法。统计图像各列的总像素值并绘制曲线,在各列像素值曲线中,峰值处为作物中心行；将图像水平划分为4块,垂直划分为3块,根据算法进行中心行的标定。4、针对行内杂草,本文介绍了根据杂草与作物叶片的形状,纹理特征进行识别的方法。对于形状特征,主要计算了杂草的四个具有RST不变性形状特征参数,及面积、周长等,根据参数的不同,识别杂草；对于纹理特征的识别,通过灰度共生矩阵,对纹理特征值的计算,根据杂草与作物的纹理统计值的不同实现杂草的识别。5、为了解决叶片交叠问题,提出顺序形态学变换。