蔬菜富含维生素和有机植物蛋白,是国人饮食结构的重要组成部分,同样在国民经济发挥着尤为重要的作用。但受种植环境的影响,病害频发导致蔬菜产量和质量下降。近年来,我国农业科技发展愈加迅速,利用高新技术解决传统农业问题的研究也相继展开。其中,农业病害防治工作成为研究热点之一,如何利用现代科学技术准确识别农业病害并帮助农业生产者及时补救是该领域亟待解决的问题。对此,本课题以番茄叶部典型的早疫病、晚疫病、靶斑病为研究样本,设计了一套基于机器视觉技术的蔬菜病害监测系统。本文主要研究内容有以下四点:（1）对采集到的番茄图像进行尺度变换、去噪、图像增强等预处理,增强病害图像的病害特征形式,去除图像背景,对处理后的叶片图像进行健康筛查,为种植环境下的健康状态进行粗筛。（2）构建基于改进MobileNet-V2网络的蔬菜病害识别模型。在研究神经网络识别叶片种类的过程中发现,当前识别主流病害主要依靠图像处理与神经网络相结合的方式,但因其计算量过大,不适宜在移动端设备中运行。该研究对模型进行多方式联合压缩,设计出能够在算力有限的移动端设备中进行部署的轻量型网络结构。将本文模型与同类型轻量化网络进行比对,在识别速率提升约30%的情况下,准确率仅有1%的损失,效果可观。（3）在识别病害同时要能一定程度上预警病害的发生,因此,该研究设计了一个基于PSO-SVR的环境参数预测模型。通过对番茄实际生长环境参数的分析、训练,建立环境参数预测模型。根据预测数据,结合番茄易染病范围,为用户提供不同程度的预警,实现早预警早防治的目标。实验表明,本文模型在温度预测中准确率达97.6%,在湿度预测中准确率达96.8%,可作为预警参考指标。（4）结合前文对于病害识别及预警的分析设计,建立蔬菜病害监测系统,实现了用户登录、拍摄、健康筛查、病害识别、环境预测及病害预警等功能,经反复测试各部分功能均可正常运行。同时为提升用户使用体验,以扁平化风格设计UI,在保障功能实现的前提下简化操作界面。