我国是世界第一的产梨大国,然而在梨树的生长过程中会受到各种病害的威胁,据不完全统计,已经发现的梨树病害就有八十多种,最典型的有黑斑病,炭疽病,锈病等。不仅会影响到梨果的品质,而且大规模爆发的病害会造成意想不到的经济损失。传统的病害检测技术速度慢,误差大而且会破坏梨原本的生理结构,高光谱技术则可以实现快速,精确且无损地检测梨病害种类,从而及时采取针对性的病害防治措施以减少经济损失。本文以砀山酥梨叶片为研究对象,运用高光谱成像系统采集了砀山酥梨正常叶片,炭疽病叶片和黑斑病叶片的高光谱图像,利用ENVI4.7等软件提取图像的平均光谱反射率及对图像进行主成分分析,基于MATLAB R2015等软件建立分类识别模型。本研究主要的成果有:（一）高光谱图像预处理方法研究。为了提高光谱数据的信噪比,本文主要采用了多元散射校正法（MSC）,S-G卷积平滑法和标准正态变换法（SNV）对原始光谱数据进行预处理。MSC可以消除样本之间发生的基线平移和偏移现象。S-G卷积平滑可以去除光谱数据中的高频噪声并保留有用的低频信息。SNV可以消除样本中由于散射引起的光谱误差。（二）特征波段的选取。原始高光谱数据光谱变量成百上千,波段与波段之间具有很强的相关性且很多信息是重复且无用的,用原始光谱建立分类识别模型数据量大计算复杂。本试验用主成分分析算法（PCA）,连续投影算法（SPA）,无信息变量消除法（UVE）,竞争性自适应重加权算法（CARS）,随机蛙跳（SFLA）提取特征波段,可以将原来339个波段压缩为几十甚至十几个波段,大大减少数据建模的输入量,利于提高模型的效率。（三）病害识别模型的建立。利用监督分类中的支持向量机SVM和BP神经网络建立分类模型。PCA-SVM模型建模集的准确率为93.17%,测试集的准确率为90.83%,平均平方误差为0.2051,相关系数为0.8254;CARS-SVM模型建模集的准确率为91.43%,测试集的准确率为84.17%,平均平方误差为0.1583,相关系数为0.796;SPA-SVM模型建模集的准确率为94.80%,测试集的准确率为93.25%,平均平方误差为0.1547,相关系数为0.8847。UVE-SVM模型建模集的准确率为87.14%,测试集的准确率为86.23%,平均平方误差为0.1750,相关系数为0.7960;SFLA-SVM模型建模集的准确率为85.17%,测试集的准确率为84.26%,平均平方误差为0.2417,相关系数为0.6794;全波段建模集的准确率为87.42%,测试集的准确率为87.37%。用BP神经网络建立的分类识别模型的准确率为84.16%。试验证明用高光谱技术是可以识别砀山酥梨的黑斑病与炭疽病的。