粗放式的喷洒除草剂不仅浪费农药和劳动力，而且破坏作物的质量、污染环境，严重影响农业的可持续发展。田间杂草识别技术是开发智能除草设备实现变量喷洒进行自动除草的关键技术之一。本文以西北农林科技大学实验田夏播玉米及伴生杂草为主要研究对象，采集其多光谱静态图像，针对实际环境下田间杂草的复杂背景、互相遮挡或粘连导致分割困难的问题进行相关分析，在获取植物特征的基础上，研究玉米田间杂草识别方法，为精准喷施装备田间杂草实时识别提供理论依据和技术支持。主要工作和结论如下：（1）根据目前国内外杂草识别研究中存在的问题和田间除草的实际需求，使用田间移动小车平台搭载MS4100多光谱相机及相关设备，在研究合适的拍摄角度、高度及分辨率等参数基础上，获取不同光照强度、土壤水分、残茬覆盖等条件下的植物图像供试。（2）综合多光谱图像的各通道信息，以相对分割误差和直观分割效果为衡量指标，通过对比IR-R、G+IR-R、IR/R3种融合方式在不同光照情况、土壤湿度以及地面残渣覆盖3种情况下的分割情况，结果表明以IR-R融合方式结合Otsu阈值分割法，能完整的将植物从田间背景中分离出来。针对实际环境下植物叶片存在粘连或遮挡的情况，利用形态学相关操作分离轻度交叠叶片，使用基于控制标记符的分水岭算法分割重度交叠或粘连叶片，保证了特征提取数据的准确性。（3）研究了适合杂草识别需要的植物叶片的形状特征、纹理特征和分形维数的提取方法。以基本几何特征为基础，提取了矩形度、伸长度、宽长比、致密度、圆形度和第一不变矩等6种RST不变性形状特征参数；采用灰度-梯度共生矩阵法，利用灰度和梯度分别描述图像中叶片的内部和边缘信息，提取小梯度优势、灰度不均匀性、能量、相关性和惯性等5个能有效区分杂草的纹理特征参数；采用毯子算法提取了植物叶片的分形维数；在此基础上，利用PCA对所提取特征参数降维，获得的PCA前5个主成分能够较全面代表所提取的特征参数。（4）提出基于PCA_Soft set算法的多特征组合杂草识别方法。该算法利用Soft set算法处理不确定问题时参数设置无假设限制的优势，将形状、纹理、分行维数特征作为输入量，构建了多特征组合的杂草识别模型。为了验证模型的有效性，将本文识别算法和Na ve Bayes、BP网络、支持向量机等识别模型进行对比试验，分析不同算法的杂草识别效率试及识别时间。结果表明，在综合考虑识别稳定性及实时性的条件下，基于Soft set算法的杂草识别效果最好，平均识别率为96.56%，识别时间为0.17s，将经过PCA处理获得的前5个主成分作为输入向量基于Soft set理论进行杂草识别，得出其平均识别率为97.13%，识别用时为0.091s，表明PCA_Soft set理论能满足田间杂草实时识别的要求。