当前,基于机器视觉技术进行水稻病害自动检测与识别的研究得到广泛认可和重视。本文以室内和田间2种背景下的水稻稻瘟病和白叶枯病病害图像作为研究对象,对水稻病害自动检测和识别方法进行了研究,主要工作如下:（1）选用高画质、高性能、操作简单的数码单反相机Model-Canon EOS 5D Mark IV作为图像采集设备,拍摄水稻病害图片共2094张。首先对图片进行预处理,按照不同拍摄环境和病害种类建立水稻病害数据库,使用CVAT标注软件对图片中的病斑进行标记。选取2中不同背景下的稻瘟病和白叶枯病病害图片各50张作为传统机器视觉方法的测试集。另外,选取800张田间背景病害图片作为深度学习训练集,使用噪音、模糊、色彩、镜像变换手段对这些图片进行了增强,扩充后的数据集中包含图片共计3200张,并根据Mask R-CNN的数据格式要求,制作了田间水稻病害COCO数据集。（2）通过理论分析和概述,本文选取人机交互的半自动分割算法Grab Cut对水稻病害图像进行分割。基于Qt的图形用户界面技术开发出Grab Cut水稻病害识别软件,使用200张不同背景下的病害测试集图片进行评估。实验结果显示,室内病害图像分割IOU值都能够达到95%以上,错误分割率E值在1%以下,而田间病害图像分割IOU值在80%以下,错误分割率E值达到7%以上。Grab Cut算法的运用过程中必须使用人工选取特征区域,导致自动化程度低,通过对比分析得出该算法只适用于背景相对简单的图像识别,无法在复杂背景下得到广泛的应用。（3）针对Grab Cut算法中发现的问题,提出了基于深度学习的目标检测算法Mask R-CNN。基于Tensor Flow环境构建了Mask R-CNN模型,特征提取被卷积神经网络代替,对田间水稻病害数据集进行训练,实现复杂背景下稻瘟病和白叶枯病2种病害病斑的有效检测和识别。不断调整模型训练迭次数,查看网络损失函数变化趋势,了解模型的训练效果,使用200张测试集图片进行评估。结果显示,稻瘟病和白叶枯病的识别正确率分别达到82.5%和90.7%,F度量分别达到88%和94.2%,与传统机器视觉Grab Cut方法对比,两种病害识别的IOU值都提高了10%左右。利用机器视觉技术能够准确识别水稻病害,这对保障粮食安全,增加农民收入,提高农产品质量,实现农业可持续发展具有重要理论和现实意义,也为水稻病害识别技术研究奠定基础。