利用图像处理技术对小麦病害进行识别的研究,对准确认识小麦病害,指导农业生产者防治病害,减少病害对小麦产量的影响,保证国家粮食安全,具有很重要的现实意义。基于图像处理的小麦病害识别技术是一个新的应用研究领域,国内在这方面还没有进行系统的研究。本文在总结国内外相关研究的基础上,研究了复杂背景下的小麦叶部病害图像的分割算法,提取了其颜色、纹理和形状特征,经过特征选择方法得到多种病害识别的核心特征,研究了基于支持向量机决策树的多类分类器设计算法,设计和开发了基于图像处理的小麦叶部病害智能识别系统,为大田小麦病害智能识别系统的研究和开发提供了基础研究。本文的主要研究内容如下：1.小麦叶部病害图像分割算法的研究。针对小麦叶部病害图像获取时背景较为复杂、后期难以分割的情况,研究基于数学形态学的图像分割技术,并结合分水岭算法和阈值分割算法等诸多算法,提出一种适合于大田复杂背景下的图像分割算法。2.小麦叶部病害图像颜色特征提取算法的研究。综合考虑前人在不同作物病害识别中的研究成果,定义新的颜色特征参数,研究小麦叶部病害在RGB颜色空间和HSI颜色空间的特征提取算法。3.小麦叶部病害图像形状特征提取算法的研究。在重点研究了前人在形状特征提取方面的成果后,综合考虑小麦叶部不同病害在形状方面的差别,定义新的形状特征参数,研究适合小麦叶部病害识别的形状特征提取算法。4.小麦叶部病害图像纹理特征提取算法的研究。综合考虑前人在纹理特征提取方面的研究成果,研究适合小麦叶部病害识别的纹理特征提取算法,提取相应的纹理特征。5.研究利用提取的颜色、形状和纹理特征,通过合适的特征选择方法,找到适合小麦叶部多种病害识别的分类特征。6.小麦叶部病害识别算法的研究。为了提高多类分类器的识别率,减少训练时间,且使模型具有很好的推广能力,在综合考虑待分类样本数以及类别的易分性能的基础上,在“先分样本数较大的类”和“先分易分的类”之间折中考虑,提出了一种基于样本的新的类划分方案,并采用平衡决策树结构,得到一种新的支持向量机多类分类算法。经Statlog数据库中的数据集的实验结果得知：该算法在不降低识别率的情况下,能大大减少系统的训练时间,是一种有效的多类分类算法。同时,为了避免在欧式空间中采用欧式距离进行类间可分性度量的计算时,将样本的不同属性之间的差别等同看待,而没有考虑到变量之间的相关关系的缺点,综合考虑马氏距离不受量纲影响,且与原始数据的测量单位无关的优点,提出了一种新的基于马氏距离的类间可分性度量的计算方法。实验结果表明：该算法得到的类别分类方案是较好的一种,能有效提高识别率,是一种有效的多类分类器设计方法。7.设计并开发了小麦叶部病害智能识别系统。