水稻是我国最重要的粮食作物之一,提高水稻产量和品质是当今水稻生产的重要目标。但是,水稻每年因病虫害所引起的损失都相当惊人,因此,水稻的病害防治在水稻生产和国民经济发展中占有极其重要的地位。针对目前我国农业水稻病害识别仍然停留在人为主观判断结合已有经验的人工目测检验和对比的阶段,客观性差,效率低,劳动强度大等问题,本论文采用计算机图像处理技术结合模式识别方法进行水稻病害识别方法的研究。构建了水稻病害数据库,并开发了一套水稻病害智能识别系统,实现水稻病斑分割、病斑特征值提取、水稻室内病斑评价以及水稻病害自动识别;并结合网络技术开发了水稻病害远程识别诊断系统。本研究顺应了现代精准农业发展的要求和现代农业自动化检测诊断技术的发展方向,有着良好的应用前景,也为后续研究提供了很好的思路,其意义深远。主要研究内容与结果包括:(1)建立了水稻病害数据库,实现了水稻病害图片,病害特征以及其它描述信息的存储复现,为识别系统和网络查询系统提供了支持,也为以后基于内容的检索提供数据基础;(2)在图像分割方面,提出了一种结合颜色特征与斑点外轮廓的病斑提取方法。通过实验对比分析,本论文提出的分割方法与传统的基于形态特征或基于颜色特征的方法相比较,能够有效地避免在分割过程中斑点区域出现空洞的现象,具有较强的抗噪性;(3)在特征参数提取方面,利用非均匀量化的直方图提取颜色特征,提高了识别鲁棒性。利用灰度共生矩阵提取纹理特征,压缩了病斑图像的灰度等级,减少了3/4的计算量,降低了特征提取复杂度;(4)在特征参数优化方面,利用逐步判别方法对不同的参数集进行优化筛选,分析得出色度纹理参数的识别相关性较大,颜色参数识别相关性最低;并且在不影响识别率的基础上,最多可以使参数减少到原来的57.2%,有效剔除相关性小的冗余参数,减轻了计算机存储和运算的负担,提高了病害识别的速率;(5)在病害识别方面,分别利用贝叶斯、神经网络与支持向量机分类器对6种水稻病害的四个不同参数集进行识别分类。结果表明利用这三种分类器对颜色参数集、形态参数集的病斑识别率相差不大,对于纹理参数集来说,神经网络分类器表现出泛化能力弱,稳定性差的弱点,正确率不到50%,但是三种分类器对三种参数的集合识别率均高达98%以上。由于支持向量机在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势,并且算法固定,避免了输出不收敛与随机性较大的情况,系统采用了提取病害的三种特征参数集合,以支持向量机作为分类器对水稻病害进行识别;(6)利用ActiveX控件开发了内嵌于网页的客户端,结合Sockets套接字实现了基于B/S结构的水稻病害远程识别、浏览与查询系统,突破了地域限制,提高了病害识别实时性,便于先进技术的普及和推广,加强技术部门与用户之间的技术交流;(7)在基于图像的水稻室内病斑评价方面,提出了二次分割策略用于分割病斑与健康叶片,提高了准确度;提出并利用矩形框法去除菌核,可操作性强并且不影响分割准确度;(8)建立了水稻病害智能识别系统,实现了水稻病害图像采集、病斑分割、特征提取、室内病斑评价、病害识别以及远程查询浏览等功能。该研究方法可以扩展到其它农作物病害识别中。