利用机器视觉技术进行田间杂草识别方法的研究，对实现除草剂的变量喷洒，以减少除草剂的使用量、降低生态环境的污染具有重要意义。基于机器视觉的田间杂草识别技术是一个新的应用研究领域，国内在这方面的研究尚处于探索阶段。在总结国内外相关研究的基础上，本文研究了田间杂草识别的位置、形状和多光谱特征方法，设计和开发了基于机器视觉的田间杂草识别系统，为田间杂草实时识别系统的研究与开发进行了基础研究。本文的主要研究内容如下： 1．对运动图像的采集和处理算法进行了研究，分析了在人工照明、室内、动态情况下，适用于田间杂草识别的图像处理算法。实现了动态图像的并行采集和处理，快速的预处理、分割和后处理，为进一步的田间杂草实时识别研究做了准备。 2．在彩色图像分割中，引入的按照场景组成分类统计分析方法，为由复杂场景组成的彩色图像分割提供了新方法。 3．针对小麦等条播作物田间场景中叶片严重交叠致使形状和纹理特征提取困难的问题，利用条播作物3～5叶苗期田间场景中作物成行排列、杂草多数分布于作物行之间的裸土区的特点，研究了位置特征识别行间杂草的方法。 4．根据条播作物行距基本恒定、作物成行排列的位置特征，利用改进的象素位置直方图法识别作物中心行，通过分段统计象素位置直方图，有效地提高了算法的田间适应度。 5．根据杂草多数分布于作物行之间的裸土区的位置特征，首次引入图形学中的种子填充算法识别行间杂草，并且针对传统种子填充算法比较费时的缺点，研究改进的扫描线种子填充算法，显著提高了填充速度。 6．针对玉米等点播作物田间场景中植物叶片交叠问题，研究基于数学形态学的形态算子分割算法和标记分水岭分割算法。标记分水岭分割算法有效的解决了传统分水岭分割算法的过分割现象，在分割效果和处理时间两方面都得到了改善，为算法的硬件实现打下了基础。 7．根据玉米田中玉米和杂草幼苗叶片的形状特征，研究了利用形状特征因子——面积和分散度识别玉米和杂草的方法。 8．针对田间杂草识别的多光谱特征法具有实时性强的优点，在理论分析和方法比较的基础上，对666～1176nm范围内的小麦和几种杂草的光谱特性进行了研究。研究结果表明：利用植物的多光谱特征识别田间杂草是可行的。 9．设计并开发了基于机器视觉的田间杂草识别试验系统。系统软件包括文件管理、系统设定、图像预处理、背景分割、杂草识别等内容。