作为我国最重要的粮食作物之一,水稻一直以来对于确保我国的粮食安全有着非常重大的意义。稻瘟病被列为水稻三大病害之一,具有地域分布广、对水稻的品质及产量危害大的特点。能否完成对稻瘟病早期灾害的及时发现和病情程度的准确判断是稻瘟病防治的关键,但由于其病害初期症状不明显而不易被生产者发现。目前,实验室检测是对初期稻瘟病诊断的有效手段,但耗时耗力,大大增加了对初期灾情的发现难度。数字图像处理与模式识别技术具有速度快、成本低、自动化的优点。本文针对稻瘟病孢子显微图像处理与模式识别问题,提出了一种基于自适应阈值的二级分类算法。首先介绍了本文的研究背景及意义、数字图像处理与模式识别的基本方法,接着阐述了国内外图像识别技术在显微图像领域的研究现状。为提取出孢子的图形轮廓,对稻瘟病孢子显微图像进行了预处理,包括灰度化、直方图均衡化,以增强图像的对比度。采用自适应阈值分割算法,获得了二值化图像,利用自适应Canny边缘检测算法获取了二值图像的边缘信息,并通过轮廓提取算法获得了包含孢子的轮廓图像。通过特征提取算法得到了轮廓的匹配度、长宽比、最小外接椭圆面积、轮廓面积、轮廓周长、圆形度等特征参数,并利用这些特征值进行了模式识别。模式识别部分首先对支持向量机与决策树这两种典型的分类算法进行了详细叙述,并在其基础上提出了二级分类算法。一级分类器采用决策树的分类方法,尽可能降低漏检概率。对通过一级检验的轮廓进行进一步的图像处理后,提取出更为准确的特征值,用于二级检验。二级检验采用支持向量机,并获得了图像识别的最终结果。在Visual Studio 2010平台上实现了该算法,正确识别率为86%,并对实验结果进行了分析。