小麦赤霉病（Fusarium head blight,FHB）是全球最常见的小麦病害。当前,防治该病害主要通过筛选出有效的杀菌剂或组合降低其危害程度从而实现粮食品质和食品安全保障的目的。传统的药效评估是依靠人工来开展的,该方法费时、费力,且高度依赖专家的经验,常因专家意见滞后导致喷药不及时而耽误其有效防治。随着机器视觉、深度学习技术在各行各业的快速发展,这为化学药剂药效快速评价新方法的提出提供了重要的契机。本论文通过科学实验及算法验证,提出两种新方法来快速评估小麦赤霉病严重程度并评价杀菌剂的防治效果,取得的主要进展如下:（1）提出一种基于机器学习和多特征的小麦赤霉病喷药防治效果评估方法。首先,利用K-means聚类和颜色空间转换对麦穗进行粗分割,然后利用随机森林分类器,结合颜色、纹理、几何和植被指数等多种特征,对麦穗和病斑进行精细分割。其次,提出一种宽度突变计数算法对麦穗进行计数,利用基于连通域的方法进行病穗计数,并对6种杀真菌剂进行药效评价。研究结果表明,提出的分割算法能够较好地对田间群体麦穗进行分割,计数方法对麦穗和病穗的平均计数精度分别为93.00%和92.15%,决定系数（R~2）分别为0.90和0.98。最后,用提出的方法对小麦群体感染赤霉病的程度进行测试,预测出6种杀真菌剂的药效关系为:丙硫菌唑>氰烯菌酯>戊唑醇>吡唑醚菌酯>咪鲜胺>多菌灵。（2）提出一种基于深度学习和模糊聚类的小麦赤霉病喷药防治效果评估方法。首先,采用Nested U-Net网络对小麦麦穗进行分割,用模糊C均值聚类（Fuzzy c-means,FCM）和R-G对病斑进行分割。其次,利用自定义卷积神经网络（CNN）和映射表、连通域分别对麦穗和病穗进行计数,并对5种杀真菌剂的药效进行评价。研究结果表明,Nested U-Net网络对田间群体麦穗有很好的分割效果,计数方法对麦穗和病穗的平均计数精度分别为94.98%和96.10%,决定系数（R~2）分别为0.95和0.99。最后,使用提出的方法对5种杀真菌剂的药效进行测试,其结果为:丙硫菌唑>氟唑菌酰羟胺>戊唑醇>咪鲜胺>多菌灵。综上,本文提出的两种小麦赤霉病喷药防治效果评估方法能较好地分割出麦穗,精准地进行麦穗计数,准确地预测出药剂的防治效果,有利于农药用量减少、降低农民生产成本,并保护农田生态环境。