氮、磷、钾是水稻生长中的主要营养元素,并且氮元素尤为重要。水稻种植期间,氮元素的施用对水稻的整个生长产生极大的影响,氮肥施用或多或少都将影响水稻的产量及稻谷的品质。水稻合理施氮不仅能节约氮素资源、保护环境,而且能够有效地提高水稻产量。为探索水稻氮素营养的快速、无损诊断方法,应用计算机视觉技术和高光谱技术与机器学习相结合的方法,展开了水稻氮素营养诊断研究。为实现基于计算机视觉技术的水稻氮素营养定量及定性诊断,以两优培九为供试品种,设置四个不同施氮水平进行水稻栽培试验。在水稻幼穗分化期和齐穗期分别扫描获取水稻顶部第一完全展开叶叶片（顶1叶）、顶部第二完全展开叶叶片（顶2叶）、顶部第三完全展开叶叶片（顶3叶）图像,并通过图像处理技术获取25项水稻扫描叶颜色及几何形态特征。定量诊断中,选用三种叶位的25项水稻特征,经多元线性回归建模预测水稻叶片全氮含量。对比分析出不同时期的水稻敏感叶位,利用机器学习方法中的BP神经网络和支持向量机建立水稻敏感叶位全氮含量估测模型。定性诊断中,选用幼穗分化期顶3叶的19项水稻扫描叶颜色及几何形态特征,应用遗传算法优化的BP神经网络建立水稻氮素营养分类识别模型。得出结论:图像处理方法测量的几何形态特征数据能够有效替代人工测量,其叶片长度、宽度的平均相对误差仅为0.328%、3.404%。定量诊断中,幼穗分化期顶3叶和齐穗期顶2叶较其他同期叶位更为敏感,且幼穗分化期最为敏感;应用机器学习建立的水稻敏感叶位全氮含量估测模型略优于多元线性回归模型,且采用BP神经网络建模最佳,幼穗分化期顶3叶模型测试集的RMSEv=0.090、MREv=0.034、Rv2=0.890,齐穗期顶2叶模型测试集的RMSEv=0.132、MREv=0.046、Rv2=0.820。定性诊断中,应用遗传算法优化的BP神经网络模型优于单一BP神经网络模型以及传统遗传算法优化的BP神经网络模型,水稻氮素营养分类识别模型测试集样本平均总识别率达99.000%。为实现基于高光谱技术的水稻氮素营养定性诊断,以中嘉早17作为供试品种,设置四个不同施氮水平进行水稻栽培试验。使用光谱分析仪获取分蘖期顶3叶叶片可见光到近红外波段（350-2500 nm）的光谱反射率,并同时使用三种不同的参数优化算法（网格搜索算法、粒子群算法及遗传算法）优化支持向量机（SVM）建立水稻氮素营养分类识别模型。得出结论:不同施氮水平的水稻叶片光谱反射率曲线走势大致相同,但不同施氮水平下780-1300 nm、1400-1850 nm及1900-2500 nm波段光谱反射率存在差异;优化参数SVM模型与默认参数SVM模型相比,其训练集与测试集分类识别效果优于默认参数SVM模型。且遗传算法优化的SVM模型性能最佳,平均总识别率最高,训练集和测试集样本平均总识别率分别为99.375%、98.750%。研究表明,应用计算机视觉技术和高光谱技术分别结合机器学习方法能够很好地进行水稻氮素营养诊断研究,为快速水稻氮素营养诊断提供了一种新途径,为精确施氮提供了技术支撑和理论依据。