稻瘟病是水稻生长周期中的主要病害,去年稻瘟病发生面积达6500万亩次,造成粮食损失近1000万吨。由此,稻瘟病早期的检测工作成为一个重点,国内外大量开展了对于稻瘟病预警检测的研究。大多数稻瘟病检测需要基于手机、单反相机等便携式设备拍摄RGB图像,利用这些图像进行后续的图像识别。然而,传统稻瘟病图像检测、图像识别仍存在下述问题:（1）手机、单反相机等拍摄设备采集待测水稻病害样本时需要花费时间对焦,对于长时间处在田间环境下的取样人员来说费时费力;（2）采集到的照片会由于拍摄人员的手抖、运动、误点等非人为因素出现模糊,使得后续图像识别准确性降低;（3）在实际进行水稻稻瘟病检测时,由于拍摄者的摄影专业认知水平不同导致焦平面选取不同从而影响实际检测效果。光场相机拥有特殊的微透镜结构,能够允许拍摄后的图像进行光场重聚焦。针对稻瘟病图像检测,本文引入光场相机作为新的一种拍摄方法用于改善这些问题,提出一种基于重聚焦4D光场深度信息融合的稻瘟病检测方法。课题主要开展了稻瘟病重聚焦4D光场处理和稻瘟病4D光场重聚焦后图像识别两方面的工作,其中重聚焦4D光场处理部分有以下研究内容:首先,基于光场相机获取的稻瘟病光场原始图像,讨论光场图像预处理过程中所涉及的白图像、微透镜阵列中心坐标等参数,利用RGB三通道中以某一通道分量为基准计算其他通道分量的插值法还原拜尔格式的光场图像;其次,根据微透镜阵列坐标信息,获取多视角下的稻瘟病光场子孔径图像阵列,通过空域重聚焦方法以积分方式计算稻瘟病光场重聚焦图像组;最后,基于已获得的稻瘟病重聚焦光场图像,对比相邻像素灰度方差函数（SDF）、Robert边缘检测算子函数（RTF）和无参考质量评价指标结构清晰度（NRSS）三种评价函数对重聚焦图像质量参数的计算结果以及算法性能,选择最适合稻瘟病光场重聚焦的一种评价函数。稻瘟病4D光场重聚焦后图像识别部分有以下研究内容:首先,分析稻瘟病图像与非稻瘟病图像的RGB空间特征与HSI空间特征,通过聚类算法判断已选特征的有效性,并基于PCA方法获得降维后特征向量组;其次,输入特征向量后,对比不同核函数下的SVM分类效果,研究并选择合适的核函数SVM分类器,根据ROC曲线下的AUC参数判断SVM分类器的性能。实验结果表明:课题所使用方法平均准确率为93.5%,与传统手段图像识别方法接近（96%）,低于人工识别结果（98.5%）。平均识别速度为12.13秒,相较人工识别方法（38.91秒）有了大幅提升,对于传统图像识别方法（16.68秒）也有了小幅提升,且最终得出的ROC曲线中AUC结果为0.77,大于0.5。综上所述,基于重聚焦4D光场深度信息融合的稻瘟病检测方法可以用于水稻稻瘟病的检测。