随着机器学习和深度学习的发展,图像识别和目标检测受到广泛关注。蝗虫检测识别作为研究蝗虫爆发机理和建立预测模型的基础,是建立蝗虫灾害动态监测预警系统的重要手段。目前在蝗虫识别领域的研究较少且相对滞后,传统的识别方法与新出现的目标检测方法在识别准确度和速度上存在明显差别。此外,研究的方法多适用于单一背景中蝗虫的检测,针对草地、农作物等自然背景下的蝗虫识别准确率较低。基于此问题需求,本文采用基于二值图像的区域显著性识别算法、多色度融合识别算法和基于候选区域的快速卷积神经网络(Faster RCNN)算法对蝗虫图像进行检测与识别的研究,以提高复杂背景中的蝗虫识别准确率,取得了较为理想的结果。本文提出基于二值图像的区域显著性识别算法,算法提取蝗虫和背景的局部特征,通过支持向量机实现二分类,实验证明该算法可实现对同一地区蝗虫的准确识别。为对大面积粘连蝗虫实现分割,提出基于多色度融合的算法,该算法不在着眼于蝗虫的个体特征,而是基于每个像素点的颜色特征进行分类。考虑到蝗虫和背景在不同的颜色区间内,因此将图像转换成不同的颜色模型,充分拉大颜色差异,最后基于像素完成图像分割。为了实现干旱时期乃至土壤、岩石等环境中蝗虫的识别,使用Faster RCNN算法可在蝗虫和环境颜色极为相似的情况下实现准确识别,补充了前两种算法在图像背景方面的局限性。本文完成了不同时期、不同环境、不同粘连程度的蝗虫图像识别检测,丰富了蝗虫识别检测方法,提高了识别准确度和检测速度,可一定程度上满足蝗灾检测预警的要求。